Thermal runaway prediction in li-ion batteries using machine learning techniques
Li-ion bataryalarda makine öğrenmesi teknikleri kullanarak ısıl kaçak tahmini
- Tez No: 952777
- Danışmanlar: DOÇ. DR. NADİR JAVANİ
- Tez Türü: Yüksek Lisans
- Konular: Enerji, Makine Mühendisliği, Energy, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Enerji Bilim Dalı
- Sayfa Sayısı: 77
Özet
Bu tezde, yapay zekâ algoritmaları kullanılarak bataryalardaki ısıl kaçak durumunun ne zaman gerçekleşeceğini tespit eden modeller oluşturulmuştur. Çalışmanın ilk kısmında faz değiştiren malzeme ile soğutulmayan bir batarya hücresinin ısıl kaçak esnasında sıcaklık tahmini yapılmıştır. Bunun için literatürdeki 19 deneysel çalışmadan veri toplanmış ve kapsamlı bir veri seti oluşturulmuştur. Ardından çoklu doğrusal regresyon, k-en yakın komşu, karar ağacı, rastgele ormanlar ve yapay sinir ağları algoritmaları kullanılarak beş farklı sıcaklık tahmin modeli oluşturulmuş ve batarya sıcaklıkları tahmin edilmiştir. Bu ön çalışma sonucunda karar ağacı, rastgele ormanlar ve k-en yakın komşu modellerinin batarya sıcaklığını tahmin etmede yüksek başarıma sahip oldukları gözlemlenmiştir. Çoklu doğrusal regresyon ve yapay sinir ağları modelleri ise batarya sıcaklığını tahmin etmede yetersiz kalmıştır. Geleneksel modellerin batarya sıcaklık tahmin performansları anlaşıldıktan sonra veri bazlı bir modelin zaman serili bir veri setinde daha iyi performans gösterebileceği tespit edilmiştir. Bu sebeple uzun kısa süreli bellek algoritması kullanılarak bir model oluşturulmuştur. Veri bazlı tahmin modelini oluşturmada kullanılacak veriler nümerik simülasyonlarla üretilmiştir. İlk olarak ANSYS Fluent 2024 R2 programı ile bir batarya modeli oluşturulmuştur. Batarya modelinin oluşturulmasında çoklu ölçek çoklu alan yaklaşımı kullanılmıştır. Elektrokimyasal model olarak ise Newman, Tiedemann, Gu, ve Kim modeli kullanılmıştır. Simülasyonların ilk aşamasında harici ısı ile ısıl kaçağın tetiklendiği fakat faz değiştiren malzeme bulunmayan bir hücre modellenmiş ve literatürdeki deneysel çalışmalar ile valide edilmiştir. Validasyon işleminin ardından batarya hücresi faz değiştiren malzeme ile kaplanmış ve pasif soğutma esnasında batarya hücreleri ısıl kaçağa zorlanmıştır. Simülasyon aşamasında dört farklı parametre değiştirilerek analizler tekrarlanmıştır. Bu parametreler faz değiştiren malzeme kalınlığı, batarya hücresinin ilk sıcaklığı, C oranı ve harici ısıdır. Parametrelerinin farklı kombinasyonları için simülasyonlar 144 kere tekrarlanmış ve batarya hücresinin sıcaklık, voltaj, akım ve faz değiştiren malzeme sıcaklığı değerleri zamana bağlı olarak kaydedilmiştir. Simülasyonlar sonucu elde edilen tüm bu veriler birleştirilerek çoklu çok değişkenli zaman serili veri setini oluşturmuştur. Veri setinin oluşturulmasının ardından veri bazlı tahmin modelinin oluşturulması aşamasına geçilmiştir. Bu aşamada hiper parametrelerin belirlenmesi modelin performansı açısından büyük önem taşımaktadır. Bunun nedeni, eğitim süresi ile model performansı arasında doğrudan bir korelasyon olmasıdır. Ayrıca, ısıl kaçağı tahmin eden modelin mümkün olduğunca erken tahmin etmesi gerekmektedir. Bu sayede bataryada yangın başlamadan gerekli önlemler alınabilir. Bu amaçla, ısıl kaçak başlangıç zamanı, uzun kısa süreli bellek modelinin hiper parametreleri olan veri zaman frekansı, pencere boyutu, birim sayısı, katman sayısı ve epok sayısının farklı değerleri ile tahmin edilmiştir. Böylelikle modelin tahmin performansı ile eğitim süresi arasındaki ödünleşme ilişkisi daha ayrıntılı olarak incelenmiştir. Sonuç olarak, ilk 40 saniyelik batarya çalışma verileri kullanılarak ve 70 saniyelik model eğitiminden sonra ısıl kaçak başlangıç zamanının 5,33 saniyelik bir hata ile tahmin edilebileceği bulunmuştur. Eğitim süresinin 120 saniyeye çıkarılması ise ısıl kaçak başlangıç süresi tahmin hatasını 2,67 saniyeye düşürmüştür. Çalışmanın sonuçları göstermektedir ki veri bazlı bir yapay zekâ modeli lityum iyon batarya hücrelerindeki ısıl kaçağı düşük hata ve yüksek hızda erkenden tespit edebilmektedir. Böylelikle elektrikli otomotivlerdeki en önemli güvenlik problemi olan ısıl kaçak daha batarya hücresi yanmaya başlamadan tespit edilebilecek ve gerekli güvenlik önlemleri alınabilecektir.
Özet (Çeviri)
In this thesis, models that early detect battery thermal runaway are built using artificial intelligence algorithms. In the first part of the study, the temperature of an uncooled battery cell is predicted during thermal runaway. For this purpose, data from nine experimental studies in the literature are collected and a comprehensive data set is created. Then, five different temperature prediction models are created and battery temperatures are predicted using multiple linear regression, k-nearest neighbor, decision tree, random forests and artificial neural network algorithms. As a result of this preliminary study, it is observed that decision tree, random forests and k-nearest neighbor models have high success in predicting battery temperature. Multiple linear regression and artificial neural network models, on the other hand, failed to predict the battery temperature. After understanding the battery temperature prediction performance of conventional models, it is determined that a data-driven model can perform better on a time-series data set. For this reason, long short-term memory algorithm is used to create a data-driven model. The required data to be used in building the data-driven prediction model is generated by numerical simulations. First, a battery model is created with ANSYS Fluent 2024 R2 simulation software. A multi-scale multi-domain approach is used to create the battery model. As the electrochemical model, the Newman, Tiedemann, Gu, and Kim model is used. In the first stage of the simulations, a cell without phase change material in which thermal runaway is triggered by external heat is modeled and validated with experimental studies in the literature. After validation, the battery cell is coated with phase change material and the battery cells are induced to thermal runaway during passive cooling. During the simulation stage, the analyses are repeated by changing four different parameters. These parameters are phase change material thickness, initial temperature of the battery cell, C-rate and external heat. The battery cell's temperature, voltage, current, and phase change material temperature are recorded as a function of time during 144 runs of the simulations for various design parameter combinations. Combining the data obtained as a result of the simulations, a multiple multivariate time series data set is formed. After the preparation of the data set, the data-driven prediction model is built. Determining the hyperparameters at this stage is of great importance for the performance of the model. This is due to the strong correlation between training time and model performance. In addition, the thermal runaway prediction model is required to predict thermal runaway as early as possible. In this way, necessary precautions can be taken before the fire starts in the battery. For this purpose, the thermal runaway onset time is predicted with different values of data time frequency, window size, number of units, number of layers and number of epochs, which are the hyperparameters of the long short-term memory model. Thus, the trade-off relationship between the model's prediction performance and training time is investigated in more detail. As a result, using the first 40 seconds of battery operation data and after 70 seconds of model training, it is found that the thermal runaway onset time can be predicted with an error of 5.33 seconds. Further increasing the training time to 120 seconds reduced the thermal runaway onset time estimation error to 2.67 seconds. The results of the study show that a data-driven artificial intelligence model can early detect thermal runaway in lithium ion battery cells with low error and high speed. Thus, the most important safety problem in electric vehicles, thermal runaway, can be detected before the battery cell starts to burn and necessary safety measures can be taken.
Benzer Tezler
- Predicting thermal behavior of Li-ion batteries in electric cars
Elektrikli otomobillerdeki Li-ion bataryaların termal davranışının tahmin edilmesi
BERNARDO JOSE AZUAJE BERBECI
Doktora
İngilizce
2024
Elektrik ve Elektronik MühendisliğiAtılım ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HULUSİ BÜLENT ERTAN
- Farklı lityum iyon piller için batarya şarj durumu tahmini
Battery state of charge estimation for different lithium-ion battery cells
MERVE TEKİN
Doktora
Türkçe
2024
EnerjiBursa Uludağ ÜniversitesiOtomotiv Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET İHSAN KARAMANGİL
- Estimation of remaining useful life by using neural network method for lithium based batteries in aviation applications
Havacılıkta kullanılan lityum tabanlı bataryaların yapay sinir ağları ile ömür kestirmine katkılar
HÜSEYİN SELÇUK POLATÖZ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA AHMET KOCABAŞ
- Test verilerine dayalı, makine öğrenmesi ve derin öğrenme yöntemleri ile batarya sağlık durumu tahmini
Battery state of health estimation based on test data using machine learning and deep learning methods
MEHMET ALİ ARSLANTAŞ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. FİKRET ÇALIŞKAN
- Kömürün kendi kendine ısınmasının ve tutuşmasının modellenmesi, simülasyonu ve deneysel incelenmesi
Mathematical modelling, simulation and experimental investigation of self – heating and self – ignition of coal
BURHAN YÖRÜK
Doktora
Türkçe
2021
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ARISOY