Defesa de Dissertação de Mestrado - PPGFISA
- https://portal.unila.edu.br/eventos/defesa-de-dissertacao-de-mestrado-ppgfisa
- Defesa de Dissertação de Mestrado - PPGFISA
- 2024-12-17T08:30:00-03:00
- 2024-12-17T23:59:59-03:00
- No dia 17 de dezembro, às 8h30, será realizada a defesa de dissertação de mestrado de Jhoan Rodrigo Perez Vargas, integrante do Programa de Pós-graduação em Física Aplicada da UNILA.
- Quando
- 17/12/2024 from 08h30 (America/Buenos_Aires / UTC-300)
- Onde
- UNILA - Itaipu Parquetec
- Adicionar evento ao calendário
-
iCal
No dia 17 de dezembro, às 8h30, será realizada a defesa de dissertação de mestrado de Jhoan Rodrigo Perez Vargas, integrante do Programa de Pós-graduação em Física Aplicada da UNILA.
O evento acontecerá no Itaipu Parquetec (Bloco 04, Espaço 03, Sala 03), e o trabalho apresentado terá como título: "Estimativa do Estado de Carga de Baterias de Íons de Lítio Utilizando Modelos de Rede Neural Convolucional Unidimensional Especializados para Segmentos de Curvas de Carga".
Resumo:
Neste trabalho, foi desenvolvida uma estratégia para a estimativa do Estado de Carga, do inglês State of Charge (SoC), de baterias de íons de lítio, utilizando Redes Neurais Convolucionais Unidimensionais (1D CNN) especializadas para segmentos específicos das curvas de carga. Basearam-se na metodologia proposta por Qian et al., adaptando-a para explorar a especialização dos modelos em diferentes regiões das curvas de carga, visando aprimorar a precisão das estimativas de SoC.
Foram desenvolvidos modelos especializados para três segmentos distintos das curvas de carga (Segmentos A, B e C), além de um modelo geral para comparação. Cada modelo foi treinado utilizando conjuntos de dados extraídos de ciclos de carga de baterias, considerando diferentes tamanhos de entrada e configurações de hiperparâmetros. Os resultados demonstraram que a abordagem segmentada proporciona estimativas mais precisas do SoC em comparação com o modelo geral. A combinação dos melhores modelos por segmento resultou em uma redução do Erro Quadrático Médio (RMSE) de 3,10% (modelo geral) para 2,75%, evidenciando a eficácia da especialização dos modelos.
Adicionalmente, foi desenvolvida a aplicação SoC Tool, uma ferramenta completa e distribuível que integra processamento de dados, visualização, treinamento de modelos e estimativa de SoC em uma interface amigável. Esta ferramenta facilita a aplicação prática dos modelos desenvolvidos em diversos cenários.
Conclui-se que a utilização de modelos 1D CNN especializados para segmentos das curvas de carga melhora significativamente a precisão na estimativa do SoC de baterias de íons de lítio. Para trabalhos futuros, sugere-se a expansão do conjunto de dados, o desenvolvimento de modelos especializados por estágio de vida útil da bateria, a integração da estimativa do Estado de Saúde, do inglês State of Health (SoH), e a validação dos modelos em ambientes operacionais reais.