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

Excavators

The influence of flexibility was considered with the use of both the Reduced Flex and the Full Flex options in RecurDyn

A multibody model of an excavator was developed to calculate the loads acting on the structure and to perform static structural verifications of the different components.

automotive multibody recurdyn mechanics

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

Optimization of an automotive manufacturing system design taking into account regional requirements

Applying CAE to facilitate business CapEx decision making in the automotive manufacturing sector

In this case study, EnginSoft engineers explain how they used modeFRONTIER to assist Comau, a Fiat Chrysler subsidiary, to optimize their approach to the preliminary design of production systems for automotive manufacturing system RFQs.

automotive optimization rail-transport modefrontier SIMUL8 iphysics industry4

CASE STUDY

Engine Dynamics

A four-stroke engine was analyzed in depth by means of a detailed Multibody Dynamics (MBD) simulation

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

CASE STUDY

Exploring multi-resolution particle CFD methods

Particle-based CFD (computational fluid dynamics) methods have become very popular in recent years due to the simplicity of the model configuration process and the ability to solve free surface problems such as splashing.

automotive particleworks