Oorja è un prodotto di Oorja
Nella progettazione di una batteria si utilizzano, tradizionalmente, due approcci.
Con il primo si simulano i comportamenti di una batteria tramite l'utilizzo di tecnologie CAE (Computer Aided Engineering),
che consentono di rappresentare il prodotto utilizzando modelli numerici incentrati sulla modellizzazione e le analisi
della fisica. Ma, per una predizione accurata, è necessario introdurre analisi multi fisiche (Multiphysics Analysis),
ossia introdurre ulteriori parametri, quelli elettrofisici caratteristici delle batterie ad esempio, che rendono più complesso
il modello fisico vero e proprio. A questo si deve aggiungere l’aumento della complessità dei prodotti, determinato dall'introduzione di nuove tecnologie e di nuovi materiali, e dall’attenzione alla sostenibilità ambientale. Ed è questa complessità che ha fatto emergere i limiti nell’adottare questo approccio: dai tempi di calcolo che aumentano, alle estese competenze che sono richieste (sui software da utilizzare, sulle tipologie di analisi da effettuare, sulle caratteristiche ed i comportamenti dei nuovi materiali, per citare le principali).
Il secondo approccio, più recente, è invece legato ai modelli di apprendimento
automatico (Machine Learning). In questo caso per la progettazione di una nuova batteria si utilizzano dataset,
composti da un gran numero di dati raccolti sperimentalmente.
Ma quanto sono affidabili questi dati nel momento in cui si progetta un nuovo prodotto? Il design e le prestazioni di
una batteria dipendono da moltissimi fattori: il limite nell'utilizzare questo approccio è la reperibilità dei dati che
effettivamente sono utili nelle prime fasi di progettazione.
In questo scenario si inserisce Oorja: la forza di questa piattaforma consiste nell'adozione di un approccio ibrido, che sfrutta i vantaggi delle due metodologie sopra descritte, e ne supera i limiti.
Oorja utilizza un approccio basato su modelli fisici semplici e veloci, che costituiranno la base per l'algoritmo di apprendimento automatico, riducendo così il numero di dati necessari per il dataset iniziale.
Oorja simula, predice ed ottimizza il comportamento delle batterie, analizzando diverse performance, come, ad esempio, la quantità di corrente prodotta, il “capacity/power fade”, il surriscaldamento durante l’utilizzo, i protocolli di ricarica rapida e gli aspetti legati alla garanzia.
Alla base della metodologia c’è un workflow composto da 7 moduli:
Da sottolineare l'interfaccia grafica estremamente "user friendly" di Oorja, che rende estremamente semplice l'utilizzo della complessa metodologia: si basa sull'utilizzo di un "wizard", ossia di un sistema automatico, che passo dopo passo guida l'utente nella generazione del workflow.
Invia le tue domande ai nostri tecnici specializzati!
Mettiti in contatto con uno dei nostri esperti, che ti potrà fornire risposte certe o consigliare soluzioni affidabili.
CASE STUDY
The car is designed to race on the ultra-flat Salt Flats in Bonneville, Utah. The racecar weighs less than 500kg so increasing the downforce was critical. Reducing aerodynamic drag was also critical due to the power requirements of the racecar.
cfd 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
Le nostre competenze in Oorja
CASE STUDY
This technical article, a collaboration between EnginSoft and ZECO, compares two different methodologies for the study and optimization of impulse turbines, specifically Pelton turbines, in order to evaluate which is the quicker and more reliable method.
cfd particleworks energy
CASE STUDY
In this technical case study, we illustrate how EnginSoft engineers helped ABB to optimize the design of the Emax2 project.
tolerances cetol electronics mechanics eztol