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 9 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
This technical article describes a project led by BLOM Maritime under the auspices of the HS-03 SNAME (the Society of Naval Architects and Maritime Engineers) panel in which ESTECO’s modeFRONTIER process automation and design optimization software was used to optimize the design of a monopile for a 15MW turbine to survive hurricane conditions.
modefrontier energy
CORSI A CALENDARIO
Le batterie agli ioni di litio, grazie alla loro alta densità energetica e lunga durata, trovano largo impiego in numerosi dispositivi elettronici, veicoli elettrici e sistemi di accumulo di energia rinnovabile. Scopri la nostra offerta di corsi di formazione su oorja, una piattaforma SaaS basata sull'uso del Machine Learning, progettata per analizzare e prevedere il comportamento delle celle e delle batterie, utilizzando un numero limitato di dati per ottenere previsioni accurate ed efficienti.
training oorja
CASE STUDY
This technical case study describes how the ROPS and FOPS of a tractor were numerically studied in the early design phase to ensure compliance with OECD Standard Code 4 (for the cabin’s resistance to longitudinal, lateral and vertical energy or force) and Code 10 (for overhead protection from falling objects).
automotive rail-transport ls-dyna
CASE STUDY
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