MétaCan
Menu
Retour à la cohorte
Enregistrement W4212785359 · doi:10.3390/en15041579

Electrochemical Cells and Storage Technologies to Increase Renewable Energy Share in Cold Climate Conditions—A Critical Assessment

2022· article· en· W4212785359 sur OpenAlexaffabout
Yao Ahoutou, Adrian Ilinca, Mohamad Issa

Notice bibliographique

RevueEnergies · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced battery technologies research
Établissements canadiensUniversité du Québec à Rimouski
Organismes subventionnairesnon disponible
Mots-clésEnergy storageRenewable energyEnvironmental scienceElectrolyteProcess engineeringElectrochemistryCold storageMaterials scienceElectrical engineeringEngineeringPower (physics)ElectrodeChemistryThermodynamics

Résumé

récupéré en direct d'OpenAlex

The energy efficiency of a renewable energy system is inextricably linked to the energy storage technologies used in conjunction with it. The most extensively utilized energy storage technology for all purposes is electrochemical storage batteries, which have grown more popular over time because of their extended life, high working voltage, and low self-discharge rate. However, these batteries cannot withstand the very low temperatures encountered in cold regions, even with these very promising technical characteristics. The cold northern temperatures affect the batteries’ electromotive force and thus decrease their storage capacity. In addition, they affect the conductivity of the electrolyte and the kinetics of electrochemical reactions, thus influencing the capacity and speed of electrons in the electrolyte. In this article, which is intended as a literature review, we first describe the technical characteristics of charge–discharge rate of different electrochemical storage techniques and their variations with temperature. Then, new approaches used to adapt these electrochemical storage techniques to cold climates are presented. We also conduct a comparative study between the different electrochemical storage techniques regarding their performance in the harsh climatic conditions of the Canadian North.

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)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,176
Score d'incertitude au seuil0,787

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
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 Opus0,008
Tête enseignante GPT0,268
Écart entre enseignants0,261 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations25
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergiesMême sujetAdvanced battery technologies researchTravaux en français237 207