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 :
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.
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.
CASE STUDY
In this article, Del Negro explains how Ricardo is developing solutions to support its customers to predict the lifecycle of motorcycle components, using finite element analysis (FEA) and fatigue analysis.
femfat mechanics 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
Nos compétences en Oorja
CASE STUDY
This article describes the multibody simulation of a switch disconnector and its validation with experimental tests, undertaken by LOVATO Electric for the purpose of conducting a detailed evaluation of a potential new tool to design the mechanical part of its electrical devices.
recurdyn multibody electronics
CASE STUDY
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