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.
Grundlage der Methodik ist ein Arbeitsablauf, der sich aus 7 Modulen zusammensetzt:
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 paper presents the main steps taken in the development phase of the IVECO cab suspension brackets to comply with the new ECE R29 crash regulation for Heavy Commercial Vehicles (HVC).
modefrontier optimization automotive
CASE STUDY
Futurities interviewed Paul Stewart about his thoughts on the evolution of simulation’s role in the design process in the automotive industry, the evolving roles of CAD and CAE and the move to freeform deformation in automotive design, as well as the likely impact and role of artificial intelligence technologies in this space.
automotive
Unsere Expertise im Oorja
CASE STUDY
This article describes an analysis of the performance of a hot water distribution piping network consisting of a main boiler and various utilities inside an automotive paint shop based in France. The simulation is performed using Flownex, a CFD (computational fluid dynamics) software with concentrated parameters.
automotive flownex
CASE STUDY
This article discusses the use of the Ansys HFSS SBR+ method for wave propagation analysis that is based on specific EM propagation formulations (commonly referred to as Asymptotic Methods), and which offers an effective alternative in terms of solution accuracy and computational cost. The method’s effectiveness is demonstrated in this case study that considers the analysis of an ESM sinuous antenna installed on an avionics platform.
ansys electronics