MétaCan
Menu
Retour à la cohorte
Enregistrement W3092212136 · doi:10.1016/j.egyai.2020.100032

A modeling and experimental study of capacity fade for lithium-ion batteries

2020· article· en· W3092212136 sur OpenAlexafffund
Andrew Carnovale, Xianguo Li

Notice bibliographique

RevueEnergy and AI · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Battery Technologies Research
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésFadeBattery (electricity)Capacity lossLithium-ion batteryDepth of dischargeElectrolyteCharge cycleDegradation (telecommunications)ElectrodeLithium (medication)Materials scienceAutomotive engineeringTrickle chargingElectrical engineeringNuclear engineeringComputer scienceEngineeringChemistryPower (physics)ThermodynamicsMedicinePhysics

Résumé

récupéré en direct d'OpenAlex

Lithium-ion batteries are extensively used in electric vehicles, however, their significant degradation over discharge and charge cycles results in severe capacity fade, limiting driving ranges of electric vehicles over time and useful lifetime of batteries. In this study, capacity fade for lithium-ion battery has been investigated through modeling and experiment. A predictive model is developed based on first principles incorporating degradation mechanisms. The mechanisms of degradation considered include solid-electrolyte interface (SEI) growth and active material loss at both negative and positive electrodes. Battery performance including capacity is measured experimentally under discharge and charge cycling with battery operation temperature controlled. It is shown that battery capacity is reduced over battery discharge/charge cycling at a given battery operation temperature, and the model predicted battery performance, including capacity fade, agrees well with the experimental results. As the number of discharge/charge cycles are increased, battery capacity is reduced significantly; battery capacity fade is increased substantially when battery operation temperature is increased, indicating significantly accelerated aging of the battery at elevated operation temperatures and hence the importance of battery thermal management in the control of battery operation temperature for practical applications such as electric vehicles. Battery capacity fade is mainly caused by SEI film growth at the negative electrode, which is the largest contributing factor to the capacity fade, and the active material isolation at the negative electrode, which is the second largest influencing aging factor.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,034
Tête enseignante GPT0,272
Écart entre enseignants0,238 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations109
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergy and AIMême sujetAdvanced Battery Technologies ResearchTravaux en français237 207