oorja

oorja

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

oorja

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:

  • 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.

Redefining Product Features - Keeping your eye on the ball while performing a deep dive on the start-up mentality to derive convergence on cross-platform integration. RANGE - Predict vehicle performance and range at the get go. Estimate the impact of real life driving conditions, road conditions and temperature on vehicle range over the life of the vehicle.

  Berechnungsgeschwindigkeit - schnellere Simulationen als klassische "Physik-basierte Lösungen

  Kleine Datensätze - weniger Daten als bei reinen "Machine Learning"-Ansätzen erforderlich

  Benutzerfreundliches und geführtes Interface

  Leistungsoptimierung

  Optimierung des Packungsdesigns

  Identifizierung des "Schnelllade"-Protokolls

  Temperaturvorhersage

  Analyse des "Kapazitätsabfalls

Dokumentation

brochure

Product brochure

Download the oorja brochure

oorja

Fast Charging Algorithms - Safety - Thermal Stability - Degradation
Ask the Expert

Fragen Sie den Experten

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.

Fragen Sie den Experten Fordern Sie eine kostenlose Demo an

Einblicke

CASE STUDY

Structural Optimization of the Drift Chamber at FermiLAB

A collaboration between EnginSoft and the Italian Institute of Nuclear Physics (I.N.F.N.)

The ultimate goal of the study was to optimize the Drift Chamber’s performance in terms of stiffness, strength and weight o be mounted on the Mu2e particle detector at FermiLAB in Chicago

construction modefrontier ansys optimization energy

NEWSROOM

Bleiben Sie bezüglich unserer News, Analysen und Trends unserer Experten auf dem Laufenden.

Newsroom  

MEDIA CENTER

Scrollen sich durch unser Media Center und entdecken Sie alle Videos und Video-Tutorials.

Media Center  

training courses

LITHIUM BATTERIES course catalogue

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

Mehr dazu

CASE STUDY

Improving the reliability of multibody simulation by implementing a hysteretic tyre model for radial dynamics

Multibody simulation is integral to engineering, enabling precise analysis of structural loads and dynamic behaviours in complex systems. In the context of forklifts, where tyres play a critical role due to the absence of suspension systems, accurate tyre modelling is essential. This study develops and validates a hysteretic Bouc-Wen model for the radial dynamics of solid rubber tyres to enhance simulation reliability.

multibody recurdyn mechanics automotive

CASE STUDY

Creating new services based on reconstruction of accident kinematics with FEM prototypes and a design thinking approach

This article combines the use of the finite element method with a Design Thinking approach to reconstruct a road traffic accident for an traffic accident insurance report in order to analyse the outcome of the accident, compare the respective property damage, and the physical injuries to pedestrians or passengers in order to limit the quantity of large claims compensation for the insurance company, while ensuring the fairness of the compensation for the customer to foster greater trust and credibility in the insurance provider.

automotive ls-dyna

CASE STUDY

The importance of numerical simulation in optimizing electrified power transmission systems

Off-road vehicles are evolving towards full sustainability, driving the need for solutions that maximize fuel efficiency while reducing atmospheric emissions. To meet the growing interest in electrification, the significant challenge of power loss management in electric engines must be addressed.

particleworks automotive