Оцифровка графических данных и их обработка

 В опубликованных научных работах данные зачастую представлены в виде графиков, а не таблиц с числами. Но для верификации численных моделей возникает необходимость сравнить расчеты с экпериментом, базируясь на этих данных. Поэтому их надо оцифровывать. Удобным и эффективным средством для этого является онлайн-программа WebPlotDigitizer. Ниже представлена презентация, пошагово объясняющая принципы работы с ней.

Задание: построить кривую разрядки на основе обработанных данных для выбранной батареи, сохранить ее на диск в виде графического файла, после чего оцифровать при помощи WebPlotDigitizer, построить оцифрованные данные и разницу между ними и исходными. 

Объявление

 В пятницы 28.11.2025 и 05.12.2025 пар в очном формате не будет. Поясняющие презентации и задания для выполнения дна их основе будут размещены здесь на сайте перед временем начала занятий. Выполненные занания принимаются по электронной почте.

Контрольная работа

 Текст задания: 

Нелинейная регрессия: продолжение

 В предыдущих материалах зазобран пример пример нелинейной регрессии функцией одного типа. В презентации вводного занятия приевдены еще несколько вариантов, которые следует применить по аналогии. 

Внимнию персонажей, полагающих, что они все изучают самостоятлеьно, а не на парах: на следующей паре (21 ноября) таковым будет выдана контрольная работа по характеристикам изученных Li-ion батарей, выяаленных по данным тестовых измерений и их обработки.

Нелинейная регрессия

 Помимо моделей, образованных линейной комбинацией функций, рассмотренных ранее, кривые зарядки-разрядки могут аппроксимироваться также более сложными выражениями, которые приближают экспериментальные данные в смысле метода наименьших квадратов. Одна из функций, реализующих такой подход - lsqcurvefit. Рассмотрим ее применение на примере двойной экспоенциальной модели (double exponential fit) - первой из перечня в статье.

Аппроксимация линейной комбинацией функций: продолжение

 Касательно пар 24.10.2025 и 31.10.25: задание - по аналогии с предыдущим занятием провести аппроксимацию данных теми наборами функциями, которые не были разобраны на нем (за исключением многочленов Чебышева). 

Тем, кто предпочитает делать это самостоятельно, а не посещать пары, - пламенный привет.

Аппроксимация линейной комбинацией функций

 Рассмотрим масштабированную кривую зависимости напряжения батареи от уровня заряда, полученную на предыдущем занятии. Для процесса разрядки соотеветствующие значения хранятся в переменных Vd1 (напряжение от 3 В до 4.2 В) и SOC1dn (уровни заряда от 0 до 1, соотвестственно). Для удобства и экономии времени расчета эти переменные можно сохранить на диск в файл, с именем, например, V_SoC.mat (из панели переменных вручную или командой save). 

Соотвественно, для решения задачи иетерполяции удобно создать новый m-файл, загрузив в его начале нужные данные как

load V_SoC

Набор типичных комбинаций функций, используемый для представления зависимости V(SoC) можно найти в статье или выборке из нее, приведенной на 8 слайде презентации вводного занятия.

Для начала рассмотрим два варианта: (1) полиномиальную интерполяцию и (2) интерполяцию моделью Нернста.