MétaCan
Menu
Retour à la cohorte
Enregistrement W2293614296 · doi:10.4271/2016-01-0655

Numerical Investigation of Active and Passive Cooling Systems of a Lithium-Ion Battery Module for Electric Vehicles

2016· article· en· W2293614296 sur OpenAlexafffund
Farid Bahiraei, Amir Fartaj, Gholm-Abbas Nazri

Notice bibliographique

RevueSAE technical papers on CD-ROM/SAE technical paper series · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Battery Technologies Research
Établissements canadiensUniversity of Windsor
Organismes subventionnairesOntario Trillium Foundation
Mots-clésBattery (electricity)Lithium (medication)Automotive engineeringIonNuclear engineeringElectrical engineeringLithium-ion batteryMaterials scienceAerospace engineeringComputer scienceEngineeringMechanical engineeringEnvironmental sciencePhysicsPower (physics)Thermodynamics

Résumé

récupéré en direct d'OpenAlex

<div class="section abstract"><div class="htmlview paragraph">In this work, a pseudo three-dimensional coupled thermal-electrochemical model is established to estimate the heat generation and temperature profiles of a lithium ion battery as functions of the state of the discharge. Then, this model is used to investigate the effectiveness of active and passive thermal management systems. The active cooling system utilizes cooling plate and water as the working fluid while the passive cooling system incorporates a phase change material (PCM). The thermal effects of coolant flow rate examined using a computational fluid dynamics model. In the passive cooling system, Paraffin wax used as a heat dissipation source to control battery temperature rise. The effect of module size and battery spacing is studied to find the optimal weight of PCM required. The results show that although the active cooling system has the capability to reduce the peak temperatures, it leads to a large temperature difference over the battery module. On the other hand, the PCM cooling significantly reduces the battery temperature rise and keeps desirable temperature uniformity across the module.</div></div>

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,830
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,014
Tête enseignante GPT0,248
Écart entre enseignants0,234 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSAE technical papers on CD-ROM/SAE technical paper seriesMême sujetAdvanced Battery Technologies ResearchTravaux en français237 207