Алексей Дружинин

Ментор
Алексей Алексеевич Дружинин — аспирант ФЭФМ МФТИ, исследователь (RnD) Института электродвижения МФТИ

Контакты
druzhinin.aa@phystech.edu
https://t.me/paalexey

Проект
Исследование направлено на решение актуальной задачи — определение точного заряда батареи (SoC, State of Charge) с помощью методов машинного обучения.

На практике задача измерения SoC сталкивается со значительными трудностями из-за сложного нелинейного поведения аккумуляторов, особенностей их химического состава и влияния внешних факторов, таких как температура, циклы заряд-разряд и старение батареи. В реальных условиях показания SoC часто отличаются от фактических, что может приводить к некорректной работе систем управления батареями, снижению их ресурса и надежности. Эти проблемы обуславливают необходимость более точных и адаптивных методов оценки SoC, которые должны учитывать сложные зависимости и параметрические вариации.

1. На первом этапе планируется сбор данных на реальных экспериментальных стендах с использованием литий-ионных аккумуляторных батарей, что позволит получить достоверную и высокоточную информацию о параметрах их работы в различных режимах.

2. Далее будет проведено исследование и анализ полученных данных для выявления зависимостей и закономерностей, необходимых для построения предсказательных моделей.

3. Третий этап включает выбор метода машинного обучения и определение оптимальной архитектуры нейронной сети, способной максимально точно оценивать состояние заряда батареи (SoC).

4. На следующем этапе будет проведена серия вычислительных экспериментов с использованием мощностей института для обучения, тестирования и сравнения разработанных моделей.

5. Завершающим шагом станет подготовка и публикация научной статьи, отражающей полученные результаты, методологию, а также перспективы применения разработанных решений.

На всех этапах исследования предусмотрена максимальная вовлеченность ментора. Особое внимание будет уделено подготовке и публикации научных статей на различных этапах работы при поддержке кафедры и института, обеспечивая научную и профессиональную поддержку студента.

P. S. В перспективе планируется также изучить возможности применения моделей LLM, обученных на структурированных данных, для решения подобных задач.