具有成本意识的多模态多保真度高斯过程融合技术在锂离子电池组碰撞损伤预测中的应用 江胜（Sheng Jiang）、 卢军（Jun Lu）、 白芳华（Fanghua Bai）、 杨欣（Xin Yang）、 周亮（Liang Zhou） 胡伟（Wei Hu）

《Mathematics》：Cost-Aware Multi-modal Multi-Fidelity Gaussian Process Fusion for Lithium-Ion Battery Pack Crash Damage Prediction Sheng Jiang, Jun Lu, Fanghua Bai, Xin Yang, Liang Zhou and Wei Hu

　　

摘要

随着新能源汽车的快速发展，快速且可靠地预测动力电池的碰撞损伤变得越来越重要。传统的有限元分析在计算上代价高昂，难以在变化条件下进行快速预测。尽管基于学习的方法速度更快，但它们通常依赖于单一精度的数据：高精度数据虽然准确但稀缺且成本高昂，而低精度数据虽然丰富但可靠性较低。现有的多精度方法在一定程度上缓解了这一问题，但往往存在样本分配不平衡和跨精度建模能力较弱的问题。此外，当前的自适应采样策略无法动态地为设计空间的不同区域确定合适的精度。为了解决这些挑战，我们提出了HNGP-LCA，这是一种用于电池组碰撞损伤预测的多精度主动学习框架。我们的方法包括两个部分：（1）集成单层和双层嵌套高斯过程回归的Ensemble Nested Gaussian Process模块，以更好地捕捉高精度与低精度数据之间的相关性；（2）一种考虑位置信息的主动学习策略（Location Information Cost-aware Active Learning），该策略利用位置信息来重建不同精度下的预期改进效果，从而在采样过程中实现动态精度选择。在多个合成基准测试和真实电池组工程案例上的实验表明，HNGP-LCA在准确性、效率和成本之间实现了比NARCO和MFBO等强基线更好的平衡。在工程案例中，其预测准确性比NARCO提高了0.6%，比MFBO提高了1.29%，同时减少了對昂贵的高精度数据的依赖。这些结果表明，HNGP-LCA为电池碰撞损伤预测提供了一种有效且实用的解决方案。