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:

• Material: zur Definition des Materials
• Daten: für die Verwendung von Machine Learning
• Design: zum Erstellen oder Importieren der zu optimierenden "Packgeometrie"
• Bereich: zur Vorhersage der Leistung in Bezug auf den 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"
• Wärme: thermische Analyse, Designoptimierung, um die Abstände zwischen den Zellen oder die Kühlung zu definieren
• Analysieren: Verschiedene Lösungen vergleichen
• Optimieren: Vorhersage von Degradation und Designparametern.

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.