oorja ist ein Produkt der oorja
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, 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 Umweltverträglichkeit bestimmt wird. Und es ist diese Komplexität, die die Grenzen dieses Ansatzes aufzeigt: von den zunehmenden Berechnungszeiten bis hin zu den umfangreichen Kenntnissen, die erforderlich sind (über die zu verwendende Software, über die Art der durchzuführenden Analysen, über die Eigenschaften und das Verhalten der neuen Materialien, um nur die wichtigsten zu nennen).
Der zweite, neuere Ansatz ist stattdessen mit automatischen Lernmodellen (maschinelles Lernen) 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 Designphasen tatsächlich nützlich sind.
oorja passt in dieses Szenario: 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 maschinellen Lernens bilden, wodurch die Anzahl der für den anfänglichen Datensatz benötigten Daten reduziert wird.
oorja simuliert, prognostiziert und optimiert das Verhalten von Batterien und analysiert verschiedene Leistungen, wie z. B. die erzeugte Strommenge, den "Kapazitäts-/Leistungsabfall", die Überhitzung während der Nutzung, Schnellladeprotokolle und damit verbundene Aspekte der Garantie.
Die Grundlage der Methodik ist ein Arbeitsablauf, der aus 9 Modulen besteht:
Hervorzuheben ist die äußerst "benutzerfreundliche" grafische Oberfläche von oorja, die die Anwendung der komplexen Methodik extrem einfach macht: Sie basiert auf der Verwendung eines "Assistenten", d.h. eines automatischen Systems, das den Benutzer Schritt für Schritt durch die Erstellung des Workflows führt.
Stellen Sie unseren Experten jetzt Ihre technischen Fragen!!
Über dieses Formular treten Sie direkt mit einem EnginSoft Experten in Kontakt, der Ihnen eine zuverlässige Antwort auf Ihre Frage geben und eine passende Lösung empfehlen kann.
CASE STUDY
This type of highly-defined model provides valuable outputs: the contact analysis provides detailed information about the pressure and friction between the parts, which is useful for estimating wear
automotive multibody recurdyn
training courses
Lithium-ion batteries, with their high energy density and long lifespan, are extensively used in a wide range of electronic devices, electric vehicles, and renewable energy storage systems. Explore our range of training courses on oorja, a SaaS platform based on Machine Learning algorithms to analyze and predict the behavior of cells and batteries. By utilizing a limited dataset, it delivers highly accurate and efficient forecasts.
training
CASE STUDY
In this example, a tracked bulldozer was simulated to evaluate the dynamic behavior of the vehicle on different terrains and with different obstacles. The model can also be used to calculate the loads operating on the vehicle’s structure..
recurdyn automotive mechanics multibody
CASE STUDY
Two main reasons have been the drivers for introducing and using CAE simulation technologies and mathematical modeling: safety and achieving optimal design.
ansys energy