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

Technische Samenvatting: Impact van Physics-Informed Features op de Complexiteit van Neurale Netwerken voor Spanningvoorspelling in eVTOL Li-ion Batterijen

1. Probleemstelling

De elektrificatie van verticale start- en landingsvliegtuigen (eVTOL's) vereist uiterst nauwkeurige Battery Management Systems (BMS). De missieprofielen van eVTOL's zijn extreem belastend, met hoge stroompulsen tijdens het opstijgen en landen, wat leidt tot snelle spanningsval en thermische stress.

Er bestaat momenteel een fundamentele afweging in de modellering:

• Fysische modellen (zoals P2D): Zeer accuraat, maar computationeel te zwaar voor real-time toepassingen in boordcomputers.
• Equivalent Circuit Models (ECM): Snel en efficiënt, maar schieten tekort bij de niet-lineaire dynamiek van hoge C-rates die typisch zijn voor eVTOL's.
• Pure Data-driven modellen (Deep Learning): Kunnen complexe patronen leren, maar fungeren als "black boxes", vereisen veel rekenkracht (geheugen/inferentietijd) en presteren slecht bij extrapolatie buiten de trainingsdata.

2. Methodologie

De auteurs stellen een Physics-Informed Machine Learning (PIML) benadering voor. In plaats van een volledig neuraal netwerk te gebruiken, combineren ze de interpreteerbaarheid van fysica met de flexibiliteit van AI.

• Hybride Architectuur: Er wordt gebruikgemaakt van een tweede-orde RC-model (2RC) als "fysische basis". Dit model berekent een initiële spanningsschatting ($V_{phy}$) op basis van bekende elektrochemische wetmatigheden.
• Residual Learning: Het neurale netwerk (de PINN - Physics-Informed Neural Network) krijgt niet de taak om de volledige spanning te voorspellen, maar hoeft alleen de residuele fout ($\Delta V_\theta$) te leren die het fysieke model niet kan verklaren. De uiteindelijke voorspelling is: $V_{pred} = V_{phy} + \Delta V_\theta$.
• Dataset: Er is gebruikgemaakt van een open-source eVTOL-batterijdataset met vijf verschillende cellen onder diverse condities (verschillende vermogensreducties, temperaturen en cruise-tijden) om de generalisatie te testen.
• Vergelijking: De PINN-modellen werden vergeleken met standaard Feedforward Neural Networks (FNN) met variërende diepte (1 tot 4 lagen) en breedte (32 tot 128 neuronen).

3. Belangrijkste Bijdragen

• Modelcompressie door Fysische Injectie: Het onderzoek toont aan dat door fysieke kennis in de input en structuur te integreren, de noodzaak voor een complex, diep neuraal netwerk drastisch afneemt.
• Efficiëntie-optimalisatie: Het bewijst dat een zeer eenvoudig PINN-model (slechts één laag) superieur kan zijn aan een veel complexer, puur data-gedreven model.
• Robuustheid: De methode biedt een oplossing voor de beperkte rekenkracht van Edge AI hardware in embedded BMS-systemen.

4. Resultaten

De kwantitatieve resultaten bevestigen de superioriteit van de PINN-aanpak:

• Nauwkeurigheid: De optimale PINN-configuratie (2 lagen, 64 neuronen) behaalde een RMSE van 20,1 mV en een $R^2$ score van 99,2%. Ter vergelijking: zelfs het meest complexe FNN-model (4 lagen, 128 neuronen) bereikte slechts een RMSE van 39,2 mV.
• Foutreductie: De PINN-modellen verminderden zowel de RMSE als de piektransiënte fouten met ongeveer 50% ten opzichte van de FNN-modellen.
• Computationele overhead: De PINN-modellen gebruikten tot wel 75% minder trainbare parameters dan de complexe FNN-modellen, wat essentieel is voor de implementatie op hardware met beperkte middelen.

5. Betekenis en Conclusie

Dit onderzoek is van groot belang voor de luchtvaartindustrie. Het biedt een weg naar veiliger en betrouwbaarder vliegen door nauwkeurige State-of-Charge (SOC) en State-of-Power (SOP) schattingen mogelijk te maken zonder de rekenkracht van de boordcomputers te overbelasten. De PINN-aanpak slaagt erin de kloof te overbruggen tussen de nauwkeurigheid van complexe fysica en de snelheid van eenvoudige algoritmen, wat cruciaal is voor de real-time controle van eVTOL-batterijsystemen.