Numerical assessment of thermal management on the capacity fade of lithium-ion batteries in electric vehicles
Notice bibliographique
Résumé
Electric vehicles, as a major strategy for climate change mitigation, uses lithium-ion batteries extensively as the power source. However, the operation, performance and lifetime of lithium-ion batteries depend on the battery temperature, which can have a wide range due to heat generation within the battery and significant variations in the ambient conditions due to changes in seasons and geographical locations where electric vehicles are operated. In the present study, thermal management methods/strategies on the capacity fade of lithium-ion batteries are assessed through a validated capacity fade model for lithium-ion batteries along with a thermal model for the heat generation in the battery and dissipation over battery surface, represented by various thermal management methods. The driving conditions are simulated through a constant and various standard drive cycles. It is shown that battery temperature has the predominant impact on the capacity fade, and it can be controlled through effective thermal management. A much more significant spread in battery capacity fade occurs with various thermal management methods for a lower initial battery temperature (20°C) compared to the higher temperatures (35°C and 50°C), hence, thermal management is much more effective in reducing capacity fade at battery temperatures close to 20°C, which is considered the optimum operating temperature for lithium-ion batteries. Further, the results indicate that using a lower charge voltage can result in slightly less capacity fade over cycling. Regenerative braking makes it more realistic to use lower charge voltages, since the battery can be recharged during operation, thereby increasing driving range, while preventing increased capacity fade. Effective thermal management is more imperative for realistic intense and aggressive driving behaviors.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».