MétaCan
Menu
Retour à la cohorte
Enregistrement W4391620768 · doi:10.11159/jffhmt.2024.004

Optimal Control for Thermal Management of Li-ion Batteries via Temperature-Responsive Coolant Flow

2024· article· en· W4391620768 sur OpenAlexvenueno aff
Aaditya Rahul Sakrikar, Jacob Thomas Sony, Pranav Singla, Aniruddh Baranwal

Notice bibliographique

RevueJournal of Fluid Flow Heat and Mass Transfer · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Battery Technologies Research
Établissements canadiensnon disponible
Organismes subventionnairesIndian Institute of Technology Bombay
Mots-clésCoolantThermal management of electronic devices and systemsNuclear engineeringMaterials scienceIonThermalTemperature controlFlow (mathematics)Flow control (data)MechanicsMechanical engineeringAutomotive engineeringEnvironmental scienceComputer scienceThermodynamicsEngineeringChemistryPhysicsTelecommunications

Résumé

récupéré en direct d'OpenAlex

A Battery Thermal Management system (BTMS) is responsible for cooling, heating, insulation, and ventilation of the battery pack to ensure safe, reliable, and long-lasting operation of the battery pack under controlled optimal conditions.Cold plates are one of the most popular active thermal control methods used in BTMS.Most cold plate-based cooling strategies use a constant coolant flow rate.A possible method to improve this could be a temperature-responsive coolant flow strategy.This paper focuses on the optimal control of coolant flow for an active hydraulic BTMS with mini-channel cooling plates.An appropriate cost function was formulated to optimise the coolant flow, capturing the trade-off between thermal degradation and pumping power.A software framework was created to obtain the optimal solution for flow rate as a function of time.The results obtained after optimisation showed that an optimal cooling strategy for high heat dissipation generally has three phases -i) increasing flow rate, ii) saturated flow rate, and iii) decreasing flow rate, which gives a lesser cost when compared to a constant flow rate.

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: aucune
Score de désaccord entre enseignants0,543
Score d'incertitude au seuil0,548

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 GPT0,236
Écart entre enseignants0,228 · 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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Fluid Flow Heat and Mass TransferMême sujetAdvanced Battery Technologies ResearchTravaux en français237 207