マルチスケールおよびマルチフィジックスを考慮したバッテリー短絡評価 - 機械学習による異なるソルバー間の連携予測
解決のポイント
- ROM化で解析プロセスを軽量化
- 機械学習で高精度な予測を実現
- GUI操作で扱いやすい手順に整理
機械学習とROMで複数解析をつなぎ、バッテリー短絡評価を効率化する方法
この課題に対し、ODYSSEEを用いて解析結果の特徴を学習し、元の解析を軽量に再現できるROM（Reduced Order Model）を構築しました。縁石乗り越し解析およびバッテリー圧壊発熱解析をROM化することで、複雑な設定のシミュレーションを効率的に実施することが可能です。縁石乗り越しROMでは、バッテリーセルの腹方向圧縮分布予測と実際にAnsys LS-DYNAで計算した結果がほぼ一致しており、最大圧縮量の誤差はわずか2.1％でした。次にバッテリー圧壊発熱ROMでは、入力変数を腹方向変位分布の画像データとして与えることで、温度分布コンターが非常に高い精度で予測されており、最大温度の誤差は0.2％でした。また、端子電圧の時刻歴カーブについても最低電圧誤差0.1%と高い精度が確認されました。ROMの活用により、それぞれの解析を大幅に短縮することが可能となり、入出力の関係に落とし込むことで異なるソルバー間での連携が容易に実施できることが示されました。
腹方向圧縮量コンター図予測結果
温度コンター図予測結果
端子電圧予測結果
本事例では、縁石乗り越し時のバッテリー短絡評価を対象に、ROMを活用して複数の解析を効率的に連携する方法をご紹介しました。
より詳しい評価結果や適用方法については、下部の「お役立ち資料」からダウンロードできます。
