Enhancing Fire Protection in Electric Vehicle Batteries Based on Thermal Energy Storage Systems Using Machine Learning and Feature Engineering
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Thermal Energy Storage (TES) plays a pivotal role in the fire protection of Li-ion batteries, especially for the high-voltage (HV) battery systems in Electrical Vehicles (EVs). This study covers the application of TES in mitigating thermal runaway risks during different battery charging/discharging conditions known as Vehicle-to-grid (V2G) and Grid-to-vehicle (G2V). Through controlled simulations in Simulink, this research models real-world scenarios to analyze the effectiveness of TES in controlling battery conditions under various environmental conditions. This study also integrates Machine Learning (ML) techniques to utilize the produced data by the simulation model and to predict any probable thermal spikes and enhance the system reliability, focusing on crucial factors like battery temperature, current, or State of charge (SoC). Feature engineering is also employed to identify the key parameters among all features that are considered for this study. For a broad comparison among different models, three different ML techniques, logistic regression, support vector machine (SVM), and Naïve Bayes, have been used alongside their hybrid combination to determine the most accurate one for the related topic. This study concludes that SoC is the most significant factor affecting thermal management while grid power consumption has the least impact. Additionally, the findings demonstrate that logistic regression outperforms other methods, with the improving feature to be used in the hybrid models as it can increase their efficiency due to its linearity capture capability.
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.
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 découle