⚡ electrical engineering

Impact of Physics-Informed Features on Neural Network Complexity for Li-ion Battery Voltage Prediction in Electric Vertical Takeoff and Landing Aircrafts

Diese Arbeit untersucht, wie die Integration physikalischer Merkmale in neuronale Netze die Modellkomplexität für die Spannungs-Vorhersage von eVTOL-Batterien reduziert, wobei physik-informierte Modelle bei vergleichbarer Genauigkeit bis zu 75 % weniger Parameter benötigen als rein datengetriebene Ansätze.

Ursprüngliche Autoren: Eymen Ipek, Mario Hirz

Veröffentlicht 2026-02-10

📖 3 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Eymen Ipek, Mario Hirz

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das Problem: Der „Black Box“-Flugakrobat

Stellen Sie sich vor, Sie steuern ein elektrisches Flugtaxi (ein eVTOL), das senkrecht startet, wie ein Hubschrauber aufsteigt und dann wie ein Flugzeug fliegt. Das Herzstück dieses Flugtaxis ist die Batterie. Damit das Flugtaxi sicher bleibt, muss der Bordcomputer in jeder Sekunde ganz genau wissen: „Wie viel Energie ist noch da? Wie viel Spannung liefert die Batterie gerade?“

Bisher gab es zwei Wege, das zu berechnen, aber beide hatten Macken:

Die „Mathematik-Profis“ (Physik-Modelle): Das sind extrem genaue Formeln, die genau beschreiben, wie die Chemie in der Batterie funktioniert. Aber sie sind so kompliziert und rechenintensiv, dass sie den kleinen, schnellen Computer im Flugtaxi überfordern würden. Es ist, als wollten Sie ein ganzes Universum berechnen, nur um zu wissen, ob Sie noch genug Saft für die Landung haben.
Die „Daten-Raten“ (KI/Deep Learning): Das sind moderne neuronale Netze. Sie schauen sich einfach Millionen von Datenpunkten an und „raten“ dann sehr gut, was als Nächstes passiert. Das Problem: Sie sind wie ein sehr begabter, aber ungebildeter Schüler. Sie können zwar Muster erkennen, aber sie haben kein Grundverständnis. Wenn etwas Unvorhergesehenes passiert (z. B. extreme Kälte oder ein ungewöhnlicher Flugmodus), fliegen sie „blind“ und machen riesige Fehler. Zudem brauchen sie riesige, schwere Computer-Gehirne, um diese Muster zu verarbeiten.

Die Lösung: Der „Lehrer mit dem Lehrbuch“ (Physics-Informed Machine Learning)

Die Forscher aus Graz haben nun einen Mittelweg gefunden. Sie haben der KI nicht einfach nur Daten gegeben, sondern ihr ein „physikalisches Grundverständnis“ beigebracht.

Die Analogie dazu:
Stellen Sie sich vor, Sie lernen Klavierspielen.

Die reine KI ist wie jemand, der nur durch das Nachahmen von YouTube-Videos lernt. Er klingt fantastisch, solange er das exakte Lied spielt, das er gesehen hat. Aber sobald er ein neues Stück sieht, scheitert er, weil er keine Ahnung von Noten oder Harmonielehre hat.
Die Physik-informierte KI (PINN) ist wie ein Schüler, der die Noten lesen und die Theorie der Musik versteht, aber zusätzlich durch jahrelanges Üben ein perfektes Gefühl für den Rhythmus entwickelt hat.

In der Forschung bedeutet das: Die Forscher haben ein einfaches physikalisches Modell (das „Lehrbuch“) als Basis genommen. Die KI muss nun nicht mehr die gesamte Physik von Grund auf neu erfinden. Sie muss nur noch die kleinen Fehler und die komplizierten Details korrigieren, die das Lehrbuch nicht erklären kann.

Das Ergebnis: Klein, schlau und blitzschnell

Das Ergebnis ist beeindruckend:

Viel schlauer: Die „Lehrer-KI“ (PINN) war viel genauer als die reine Daten-KI. Die Fehler wurden um etwa 50 % reduziert.
Extrem effizient: Weil die KI die physikalischen Grundregeln schon „im Blut“ hat, muss sie nicht so riesig und komplex sein. Sie braucht bis zu 75 % weniger Rechenleistung (weniger Parameter).

Was bedeutet das für die Zukunft?
Für elektrische Flugtaxis heißt das: Wir können winzige, stromsparende Computer an Bord haben, die trotzdem die Sicherheit eines Supercomputers garantieren. Das macht das Fliegen mit Elektroantrieb sicherer, leichter und effizienter.

Technische Zusammenfassung: Einfluss physikbasierter Merkmale auf die Komplexität neuronaler Netze zur Spannungsprädiktion von Li-Ionen-Batterien in eVTOL-Fluggeräten

Problemstellung

Die Elektrifizierung von vertikal startenden und landenden Fluggeräten (eVTOL) erfordert hochpräzise Batteriemanagementsysteme (BMS). Diese müssen die Spannungsreaktion unter extremen Leistungsdynamiken (hohe C-Raten während Start und Landung) exakt vorhersagen, um den Ladezustand (SOC) und die Leistungsfähigkeit (SOP) sicher zu bestimmen.

Bisherige Ansätze stehen vor einem Zielkonflikt:

Physikbasierte Modelle (z. B. P2D-Modelle): Sehr genau, aber aufgrund der komplexen partiellen Differentialgleichungen zu rechenintensiv für Echtzeitanwendungen.
Äquivalente Ersatzschaltbildmodelle (ECM): Recheneffizient, aber unzureichend bei den hochdynamischen, nichtlinearen Lastprofilen von eVTOLs.
Rein datengetriebene Deep Neural Networks (DNN): Können Nichtlinearitäten gut erfassen, agieren jedoch als „Black Box“, benötigen enorme Rechenressourcen (Speicher/Inferenzzeit) und weisen Probleme bei der Extrapolation außerhalb des Trainingsbereichs auf.

Methodik

Die Autoren schlagen einen Physics-Informed Machine Learning (PIML) Ansatz vor, der die Interpretierbarkeit der Physik mit der Flexibilität des maschinellen Lernens kombiniert.

Hybrid-Modell-Architektur: Anstatt das Netzwerk die gesamte Dynamik neu lernen zu lassen, wird ein physikalisches Vorwissen in Form eines Zweipol-RC-Modells (2RC) integriert. Das Modell berechnet eine physikalische Spannungsschätzung ( $V_{phy}$ ), und das neuronale Netz hat lediglich die Aufgabe, den verbleibenden Fehler (das Residuum $\Delta V_\theta$ ) zu korrigieren.
Datenbasis: Es wurde der Open-Source eVTOL-Batteriedatensatz verwendet, der hochdynamische Missionsprofile abbildet. Das Training erfolgte auf vier verschiedenen Zellen (verschiedene thermische und Lastbedingungen), während eine fünfte, bisher ungesehene Zelle (VAH11) zur Validierung diente.
Vergleichsmodelle:
- FNN (Feedforward Neural Network): Ein rein datengetriebener Regressionsansatz, der die Spannung direkt aus Rohdaten ( $I, SOC, T, N, \Delta t$ ) vorhersagt.
- PINN (Physics-Informed Neural Network): Ein hybrider Ansatz, bei dem die Eingangsmerkmale um physikalische Terme ( $OCV, VRC_1, VRC_2, V_{phy}$ ) erweitert werden.

Wesentliche Beiträge (Key Contributions)

Modellkompression durch Physik-Injektion: Die Integration physikalischer Gleichungen reduziert den Suchraum für das neuronale Netz drastisch.
Effizienzsteigerung: Nachweis, dass die Einbindung von physikalischem Wissen es ermöglicht, die Architektur des neuronalen Netzes massiv zu vereinfachen, ohne die Genauigkeit zu verringern.
Eignung für Edge-AI: Entwicklung eines Modells, das speziell auf die begrenzten Ressourcen von eingebetteten BMS-Hardware-Systemen zugeschnitten ist.

Ergebnisse

Die Ergebnisse zeigen eine deutliche Überlegenheit der physikbasierten Modelle:

Genauigkeit: Das optimale PINN-Modell (2 Schichten, 64 Neuronen) erreichte einen RMSE von 20,1 mV und einen $R^2$ -Wert von 99,2 %. Im Gegensatz dazu erreichte das komplexeste FNN (4 Schichten, 128 Neuronen) nur einen RMSE von 39,2 mV.
Fehlerreduktion: Die PINN-Modelle reduzierten sowohl den RMSE als auch die Spitzenfehler (Peak Transient Errors) im Vergleich zu den FNNs um etwa 50 %.
Parameter-Effizienz: Die PINN-Modelle benötigten bis zu 75 % weniger trainierbare Parameter als die komplexen rein datengetriebenen Modelle, bei gleichzeitig höherer Präzision.

Bedeutung (Signifikanz)

Die Arbeit beweist, dass die Kombination von physikalischem Domänenwissen mit Deep Learning den Weg für hochperformante, aber extrem leichtgewichtige KI-Modelle ebnet. Für die Luftfahrt bedeutet dies, dass hochpräzise Spannungsprägungen in Echtzeit auf On-Board-Controllern berechnet werden können, was die Sicherheit und die Effizienz der Flugplanung von eVTOLs maßgeblich erhöht, ohne die Hardware-Anforderungen exponentiell zu steigern.