Masterarbeit Datengetriebene Analyse und Prognose charakteristischer Thermal-Runaway-Kenngrößen

Ziel dieser Arbeit ist die Entwicklung eines datengetriebenen Ansatzes zur Analyse, Strukturierung und Prognose charakteristischer Kenngrößen des Thermal-Runaway-Verhaltens von Lithium-Ionen-Zellen. Im Fokus steht dabei nicht die vollständige Vorhersage des gesamten Signalverlaufs, sondern die Bestimmung relevanter Zielgrößen wie beispielsweise Onset-Zeitpunkte, Maximalwerte, Venting-Charakteristika oder weiterer charakteristischer Bewertungsgrößen. Grundlage hierfür bilden umfangreiche experimentelle Messdaten aus Thermal-Runaway-Versuchen sowie vorhandene Simulationsdaten, die zur strukturierten Einordnung, zum Vergleich und zur Erweiterung des Datenraums herangezogen werden.

Im ersten Schritt erfolgt eine systematische Analyse und Aufbereitung der vorhandenen Versuchs- und Simulationsdaten. Darauf aufbauend werden geeignete Eingangsgrößen und Zielgrößen definiert sowie relevante Einflussparameter identifiziert. Anschließend ist ein datengetriebener Modellierungsansatz – beispielsweise auf Basis von Machine-Learning-Methoden oder neuronalen Netzen – zu entwickeln, zu trainieren und zu validieren. Ziel ist es, aus bekannten Zell- und Versuchsparametern charakteristische Thermal-Runaway-Kenngrößen belastbar zu prognostizieren, Trends zu identifizieren und neue Zusammenhänge innerhalb eines definierten Parameterraums abzuleiten.

Abschließend sind die Prognosegüte, die Übertragbarkeit des Ansatzes sowie die Aussagekraft der identifizierten Einflussgrößen kritisch zu bewerten.

• Einstiegsart: Abschlussarbeit
• Einsatzort: Weissach
• Gesellschaft: Dr. Ing. h.c.
  
  F. Porsche AG
• Durchführung einer systematischen Literaturrecherche zu datengetriebenen und statistischen Ansätzen zur Beschreibung und Prognose des Thermal-Runaway-Verhaltens von Lithium-Ionen-Zellen
• Analyse, Strukturierung und Aufbereitung vorhandener experimenteller Messdaten aus Thermal-Runaway-Versuchen
• Einbindung vorhandener Simulationsdaten zur Unterstützung der Datenauswertung, Merkmalsbildung und Modellbewertung
• Identifikation und Definition charakteristischer Zielgrößen, z.
  
  B. Onset-Zeitpunkte, Maximaltemperaturen, Maximaldrücke, Venting-relevante Kenngrößen oder weitere geeignete Bewertungsparameter
• Identifikation relevanter Zell- und Versuchsparameter sowie Untersuchung ihrer Relevanz für das Thermal-Runaway-Verhalten
• Auswahl, Konzeption, Implementierung und Training eines geeigneten datengetriebenen Modellierungsansatzes zur Prognose charakteristischer Kenngrößen
• Validierung des entwickelten Modells anhand experimenteller und simulativer Daten sowie Bewertung der Prognosegüte
• Identifikation von Trends, Korrelationen und dominanten Einflussgrößen innerhalb des betrachteten Parameterraums
• Kritische Diskussion der Übertragbarkeit, Aussagekraft und Grenzen des entwickelten Ansatzes sowie Ableitung von Weiterentwicklungspotenzialen
• Maschinenbau
• Fahrzeugtechnik
• Oder vergleichbarer Studiengang

• Machine Learning / Künstliche Intelligenz
• Datenanalyse und Datenaufbereitung
• Modellbildung und Simulation

• Grundkenntnisse im Bereich Machine Learning, Statistik oder datengetriebener Modellierung
• Interesse an der Analyse technischer Messdaten und der Identifikation physikalischer Zusammenhänge
• Grundlegendes Verständnis experimenteller Daten und technischer Systeme
• Idealerweise erste Kenntnisse im Bereich Lithium-Ionen-Batterien oder Batteriesicherheit

• Sicherer Umgang mit MS Office
• Gute Python-Kenntnisse wünschenswert
• Idealerweise erste Erfahrung mit Datenanalyse- und ML-Bibliotheken, z.
  
  B. scikit-learn, PyTorch oder Tensor Flow