Prediction life time of secondary batteries by machine learning models
İkincil bataryalarda makina öğrenmesi modelleri ile ömür tayini
- Tez No: 898530
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖZGÜN YÜCEL
- Tez Türü: Yüksek Lisans
- Konular: Kimya Mühendisliği, Chemical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Kimya Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 56
Özet
Elektrikli araçlar (EV'ler) giderek daha popüler hale gelmektedir. Bu nedenle, şarj edilebilir bataryanın mevcut sağlık durumu ve kalan faydalı ömrü (RUL) gibi faktörler önemli hale gelmiştir. Bu çalışmadaki temel amacımız, en çok araştırılan ikincil bataryalar olan ve yüksek enerji yoğunluğu ve uzun çevrim ömrü avantajlarına sahip lityum-iyon bataryaların RUL'sini tahmin etmektir. Bu amaçla, makine öğrenmesinin bir alt dalı olan derin öğrenme modellerine ait LSTM'nin (Long-Short-Term Memory Network) klasik mimarisinden farklı yeni katmanlar ekleyerek yeni bir (N-LSTM) Novel Long-Short-Term Memory Network geliştiriyor ve kullanıyoruz. Ayrıca çalışmamızda dış girdili doğrusal olmayan otoregresif yöntemi (NARX) kullandık. Seçilen bu iki model, NASA Ames Prognostik Mükemmeliyet Merkezi'nden kamuya açık bir veri tabanına uygulanmıştır. Çalışmamda ilk olarak lityum demir fosfat (LFP) batarya veri setleri B0005, B0006 ve B0007'nin şarj, deşarj ve empedans ölçüm sonuçlarından deşarj sonuçları seçilmiştir. Ardından iki farklı model için veriler hazırlık amacıyla normalize edilmiş, normalize edilen veriler eğitim ve test verileri olarak ayrılarak sırasıyla Dış Girdili Doğrusal Olmayan Otoregresif (NARX) ve Yeni Uzun Kısa Süreli Bellek (N-LSTM) modellerine beslenmiş ve eğitim süreci başlatılmıştır. Model eğitimi sırasında her iki model için farklı hiperparametre değerleri ve algoritmalar kullanılmış ve deneysel sonuçlar analiz edilmiştir. Deneysel sonuçlar, N-LSTM (New Long Short Term Memory) modeli ve NARX (Nonlinear Auto Regressive with Exogenous Input) modelinin lityum-iyon bataryaların kalan faydalı ömrü hakkında doğru tahminler sağlayabildiğini göstermektedir. Buna ek olarak, Li-ion bataryalar için kalan faydalı ömür tahmini alanında gelecekteki araştırmalara ışık tutmak amacıyla farklı kalan faydalı ömür tahmin modellerinin karşılaştırmalı bir çalışması sunulmuştur
Özet (Çeviri)
Electric vehicles (EVs) are becoming increasingly popular. Therefore, factors such as the current state of health and the remaining useful life (RUL) of the rechargeable battery have become important. Our main objective in this study is to predict the RUL of lithium-ion batteries, which are the most researched secondary batteries and have the advantages of high energy density and long cycle life. To this end, we develop and use a new (N-LSTM) Novel Long-Short-Term Memory Network by adding new layers that are different from the classical architecture of LSTM (Long-Short-Term Memory Network), which belongs to deep learning models, a sub-branch of machine learning. In addition, we use the non-linear autoregressive method with external input (NARX) in our study. These two selected models were applied to a publicly available database from the NASA Ames Prognostic Centre of Excellence. In my study, the discharge results were first selected from the charge, discharge and impedance measurement results of the lithium iron phosphate (LFP) battery datasets B0005, B0006 and B0007. Then the data for two different models were normalised for preparation, the normalised data were separated as training and test data and fed into the Nonlinear Autoregressive with External Input (NARX) and New Long Short Term Memory (N-LSTM) models, respectively, and the training process was started. During the model training, different hyperparameter values and algorithms were used for both models and the experimental results were analysed. The experimental results show that the N-LSTM (New Long Short Term Memory) model and the NARX (Nonlinear Auto Regressive with Exogenous Input) model can provide accurate predictions of the remaining useful life of lithium-ion batteries. In addition, a comparative study of different RUL prediction models is presented to provide insights for future research in the field of RUL prediction for Li-ion batteries.
Benzer Tezler
- Lityum iyon bataryalarda parça ömür kestirimi
Calculating remaining useful life of lithium-ion batteries
FERHAT MAÇİN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. SALMAN KURTULAN
- Elektrikli araç bataryalarının döngüsel ekonomi kapsamında incelenmesi
Examination of lithium ion battery recycling process within the scope of circular economy
RABİA DİŞÇİOĞLU
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞEYDA SERDAR ASAN
- Kablosuz algılayıcı ağlarda atlama sayısını kısıtlamanın yaşam süresi üzerine etkileri
Impact of limiting hop count on lifetime of wireless sensor networks
MURAT TEMİZ
Yüksek Lisans
Türkçe
2013
Elektrik ve Elektronik MühendisliğiTOBB Ekonomi ve Teknoloji ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BÜLENT TAVLI
- Kronik obstrüktif akciğer hastalığı alevlenmesi ile hospitalize edilen hastalarda serum biyobelirteçlerinin prognostik rolü ve kor pulmonale ile ilişkisi
The prognostic role of serum biomarkers and their relationship with cor pulmonale in patients hospitalized with chronic obstructive lung disease
ESMA YILMAZ
Tıpta Uzmanlık
Türkçe
2022
Göğüs HastalıklarıSağlık Bilimleri ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
PROF. İBRAHİM HİKMET FIRAT
- A finite volume based in-house large eddy simulation solver for turbulent flows in complex geometries
Karmaşık geometrilerde türbülanslı akışlar için sonlu hacimler yöntemine dayanan özgün büyük girdap benzetimi çözücüsü
SARP ER
Yüksek Lisans
İngilizce
2019
Havacılık Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYŞE GÜL GÜNGÖR