Effect of Cell-to-Cell Thermal Imbalance and Cooling Strategy on Electric Vehicle Battery Performance and Longevity
Notice bibliographique
Résumé
This work develops a reduced-order numerical model of a custom-built commuter electric vehicle (EV) to study the lifetime performance of EV battery packs and battery thermal management systems (BTMS). The model uses experimental battery and BTMS data collected from a commuter EV and applies drive cycles corresponding to typical highway and city driving conditions. The main advantage of this numerical modeling approach is its ability to simulate large timescales, spanning years of vehicle operation. Cell level degradation is captured, allowing for the study of battery pack longevity under a variety of temperature profiles generated by various BTMS strategies with series and parallel indirect liquid cooling configurations. Monte Carlo simulations are also used to estimate the variation in BTMS performance caused by beginning-of-life (BOL) variations and cell-to-cell thermal imbalance/spreading in the battery cells. The proposed modeling approach was demonstrated to be an effective tool in studying long timescale BTMS performance, and tradeoffs between BTMS energy consumption and pack energy retention for the case-study commuter vehicle. A 7% reduction in the mean maximum pack temperature and a 10% reduction in the mean lifetime BTMS energy consumption were achieved by tuning BTMS control parameter thresholds. However, the variability in pack energy retention greatly increased, highlighting the need to consider BOL variations and cell spreading in BTMS modeling and design.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».