Softwarelösungen | Oorja
WORKFLOW EDITOR - Alle Kategorien von Knoten sind dank der Knotenpalette, der Drag & Drop- und der Smart-Search-Funktion erreichbar, wodurch die Erstellung des Arbeitsablaufs schnell und einfach vonstatten geht.

Oorja - Innovative digitale Plattform für die Entwicklung und Modellierung von Batterien, die deren Verhalten simuliert, vorhersagt und optimiert


Bei der Entwicklung einer Batterie werden traditionell zwei Ansätze verfolgt.
Bei der ersten wird das Verhalten einer Batterie durch den Einsatz von CAE-Technologien (Computer Aided Engineering) simuliert, die es ermöglichen, das Produkt mit numerischen Modellen darzustellen, die sich auf die physikalische Modellierung und Analyse konzentrieren. Für eine genaue Vorhersage ist es jedoch notwendig, eine Multiphysik-Analyse durchzuführen, d.h. weitere Parameter einzuführen. Dazu gehören z.B. die für Batterien charakteristischen elektrophysikalischen Parameter, die das eigentliche physikalische Modell komplexer machen. Hinzu kommt die zunehmende Komplexität der Produkte, die durch die Einführung neuer Technologien und neuer Materialien sowie durch die Beachtung der Umweltfreundlichkeit bestimmt wird. Und es ist diese Komplexität, die die Grenzen bei der Anwendung dieses Ansatzes aufzeigt: von den zunehmenden Berechnungszeiten bis hin zu den umfangreichen Kenntnissen, die erforderlich sind - in Bezug auf die zu verwendende Software, die Arten der durchzuführenden Analysen, die Eigenschaften und das Verhalten der neuen Materialien, um nur die wichtigsten zu nennen.

Der zweite, neuere Ansatz ist stattdessen mit automatischen Lernmodellen ("Machine Learning") verbunden. In diesem Fall werden Datensätze verwendet, um eine neue Batterie zu entwerfen, die aus einer großen Anzahl von experimentell gesammelten Daten besteht. Doch wie zuverlässig sind diese Daten bei der Entwicklung eines neuen Produkts? Das Design und die Leistung einer Batterie hängen von vielen Faktoren ab: Die Grenze bei der Anwendung dieses Ansatzes ist die Verfügbarkeit von Daten, die in den frühen Entwicklungsphasen tatsächlich nützlich sind.
Oorja fügt sich in dieses Szenario ein: Die Stärke dieser Plattform liegt in der Anwendung eines hybriden Ansatzes, der die Vorteile der beiden oben beschriebenen Methoden nutzt und ihre Grenzen überwindet.

Oorja verwendet einen Ansatz, der auf einfachen und schnellen physikalischen Modellen basiert, die die Grundlage für den Algorithmus des machine learnings bilden, wodurch die Anzahl der für den ursprünglichen Datensatz benötigten Daten reduziert wird.

Oorja simuliert, prognostiziert und optimiert das Verhalten von Batterien, indem es verschiedene Leistungen analysiert, wie z. B. die erzeugte Strommenge, den "Kapazitäts-/Leistungsabfall", die Überhitzung während der Nutzung, Schnellladeprotokolle und damit verbundene Aspekte der Garantie.

Grundlage der Methodik ist ein Arbeitsablauf, der aus 7 Modulen besteht:

• Material: Definition des Materials
• Data: für die Verwendung von Machine Learning
• Design: zum Erstellen oder Importieren der zu optimierenden "Packgeometrie"
• Range: zur Vorhersage der Leistung in Abhängigkeit vom Batteriestrom
• Volt: zur Optimierung der Leistung (z.B. BoL: Begin of Life Leistung)
• Fade: zur Risikoanalyse, Analyse von Aspekten der Garantie, Analyse des "Kapazitäts-/Leistungsabfalls"
• Heat: thermische Analyse, Designoptimierung, um die Abstände zwischen den Zellen oder die Kühlung zu definieren

Hervorzuheben ist die äußerst "benutzerfreundliche" grafische Oberfläche von Oorja, die die Anwendung der komplexen Methodik extrem vereinfacht: Sie basiert auf der Verwendung eines "Assistenten", d.h. eines automatischen Systems, das den Benutzer Schritt für Schritt durch die Erstellung des Workflows führt.
RUN ANALYSIS DASHBOARD - Liefert einen kompletten Überblick des Optimierungsprojekts durch die Überwachung des Prozessstatus.

Ihre Vorteile:

• Rechengeschwindigkeit - schnellere Simulationen als klassische "Physik-basierte Lösungen"
• Kleine Datensätze - weniger Daten als für reine "Machine Learning"-Ansätze erforderlich
• Benutzerfreundliche und geführte Oberfläche
• Leistungsoptimierung
• Optimierung des Packungsdesigns
• Identifizierung des "Schnelllade"-Protokolls
• Temperaturvorhersage
• Analyse des "Kapazitätsabfalls"
» Fordern Sie eine kostenlose Demo an