oorja

oorja

Plateforme numérique innovante de développement et de modélisation de batteries, qui simule, prédit et optimise leur comportement

oorja

Oorja est un produit de oorja

Deux approches sont traditionnellement utilisées dans la conception d’une batterie.
Avec le premier, le comportement d'une batterie est simulé grâce à l'utilisation de technologies CAE (Computer Aided Engineering), qui permettent de représenter le produit à l'aide de modèles numériques axés sur la modélisation et l'analyse physique. Mais, pour une prédiction précise, il est nécessaire d’introduire une analyse multi-physique, c’est-à-dire d’introduire des paramètres supplémentaires, électrophysiques caractéristiques des batteries par exemple, qui rendent le modèle physique réel plus complexe. À cela, il faut ajouter l'augmentation de la complexité des produits, déterminée par l'émergence de nouvelles technologies et de nouveaux matériaux, et par l'attention portée à la durabilité environnementale. Et c'est cette complexité qui a fait ressortir les limites de l'adoption de cette approche : des temps de calcul croissants, aux compétences étendues requises (sur les logiciels à utiliser, sur les types d'analyses à réaliser, sur les caractéristiques et comportements des nouveaux matériaux, pour ne citer que les principaux).

La seconde approche, plus récente, est plutôt liée aux modèles d’apprentissage automatique (Machine Learning). Dans ce cas, des ensembles de données sont utilisés pour concevoir une nouvelle batterie, composée d’un grand nombre de données collectées expérimentalement.
Mais quelle est la fiabilité de ces données lors de la conception d’un nouveau produit ? La conception et les performances d’une batterie dépendent de nombreux facteurs : la limite dans l’utilisation de cette approche est la disponibilité de données réellement utiles dès les premières phases de conception.

oorja s'inscrit dans ce scénario : la force de cette plateforme réside dans l'adoption d'une approche hybride, qui exploite les avantages des deux méthodologies décrites ci-dessus, et dépasse leurs limites.

oorja utilise une approche basée sur des modèles physiques simples et rapides, qui constitueront la base de l'algorithme d'apprentissage automatique, réduisant ainsi le nombre de données nécessaires pour l'ensemble de données initial.

oorja simule, prédit et optimise le comportement des batteries, en analysant différentes performances, comme par exemple la quantité de courant produite, le « fondu capacité/puissance », la surchauffe pendant l'utilisation, les protocoles de charge rapide et les aspects liés à la garantie.

A la base de la méthodologie il y a un workflow composé de 7 modules :

  • Matériau : pour définir le matériau
  • Données : pour utiliser le Machine Learning
  • Design : pour créer ou importer la "géométrie du pack" pour optimiser
  • Autonomie : pour prédire les performances liées au courant de la batterie
  • Volt : pour optimiser les performances (ex. BoL : performance Begin of Life)
  • Fade : pour l'analyse des risques, analyser les aspects liés à la garantie, analyser le « fade capacité/puissance »
  • Chaleur : analyse thermique, optimisation de la conception pour définir les distances entre cellules ou refroidissement

Pour souligner l'interface graphique extrêmement "user friendly" d'oorja, qui rend extrêmement simple l'utilisation de la méthodologie complexe : elle est basée sur l'utilisation d'un "wizard", c'est-à-dire un système automatique, qui guide l'utilisateur étape par étape dans le workflow génération.

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.

  Vitesse de calcul - simulations plus rapides que les "solutions basées sur la physique" classiques

  Petits ensembles de données - moins de données que celles requises par les approches purement "Machine Learning"

  Facilité d'utilisation et interface guidée

  Optimisation des performances

  Optimisation du design des packs

  Identification du protocole « Charge rapide »

  Prévision de température

  Analyse « Capacité affaiblie »

Documentation

brochure

Product brochure

Download the oorja brochure

oorja

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

Demandez à l'expert

Envoyez vos questions techniques à nos experts !
Mettez-vous en relation avec un expert EnginSoft qui pourra vous apporter une réponse fiable à votre question technique ou vous recommander une solution éprouvée.

Ask the expert Request a free demo

Connaissances

CASE STUDY

The use of virtual prototyping tools in the design of Generation IV Nuclear Energy Systems

Interview with Fabrizio Magugliani, Sr. Engineer, Aero/Thermo Analytical Design, Ansaldo Nucleare SpA

Two main reasons have been the drivers for introducing and using CAE simulation technologies and mathematical modeling: safety and achieving optimal design.

ansys energy

NEWSROOM

Restez connecté avec nous : actualités, analyses et tendances de nos experts.

Newsroom  

MEDIA CENTER

Explorez nos archives pour voir des vidéos, des didacticiels vidéo et des enregistrements de nos webinaires.

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

En savoir plus

CASE STUDY

Comparing finite volume and particle CFD simulation methods for understanding lubrication in automotive transmissions and axles

Understanding the flow of oil lubrication in transmissions and axles is vital to improving their efficiency and reducing the wear of key components. The choice, and volume of lubricant, and the shape of the gearbox housing can all be optimized for the expected gear speeds, loads, and temperatures.

automotive particleworks

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

Transient CFD Analysis of a Pelton Turbine

The performance evaluation to upgrade an existing hydropower plant

EnginSoft developed a Computational Fluid Dynamic (CFD) analysis methodology for the performance evaluation of a Pelton turbine

energy cfd ansys oil-gas