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

Rubber fatigue ≠ metal fatigue: what to do when linear superposition fails

This article presents the challenges of conducting fatigue analysis on rubber components due to their nonlinear behaviour, contrasting this with linear superposition methods used in metal fatigue analysis. Traditional linear methods are effective for linear materials, allowing for efficient stress-strain history generation through the scaling of finite element (FE) solutions based on input load histories. However, these methods fail for rubber because of its complex material properties and behaviours.

endurica automotive

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

CFD study to optimize the cooling performance of a narrow specialty tractor

Numerical modelling reveals design strengths and weaknesses prior to prototype testing, saving time and money

In this technical article, a CFD study of various designs for four different specialty tractors: two brands of specialty tractors for vineyard configurations, and two brands of specialty tractors for orchard configurations, are described.

automotive ansys cfd

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

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