MétaCan
Menu
Retour à la cohorte
Enregistrement W4405498984 · doi:10.2514/1.c038205

Passive Thermal Management of an Electric Trainer Aircraft Battery Pack Considering Aging

2024· article· en· W4405498984 sur OpenAlexafffund
Émile Veilleux, Hadi Pasdarshahri, David Rancourt, Doriane Ibtissam Hassaine Daoudji

Notice bibliographique

RevueJournal of Aircraft · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Battery Technologies Research
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaConsortium de Recherche et d’innovation en Aérospatiale au Québec
Mots-clésBattery packTrainerBattery (electricity)Automotive engineeringAeronauticsThermal management of electronic devices and systemsAerospace engineeringEngineeringMarine engineeringComputer scienceMechanical engineering

Résumé

récupéré en direct d'OpenAlex

This paper investigates the use of a passive in-flight battery thermal management system for an electric trainer aircraft. The proposed architecture employs a high-conductivity heat pipe coupled with a heat sink to provide cooling. Two different thermal management approaches are used for ground and flight operations. During charge, a ground-based air conditioning unit is used for thermal management. In flight, the system relies on preconditioning of the battery pack’s thermal mass to limit the temperature rise to acceptable levels, reducing the onboard weight and complexity associated with the battery thermal management system. To assess the performance of the proposed system over the entire lifetime of the battery pack, for both flight and ground operations, a coupled electrothermal-aging model based on semi-empirical data was created and validated experimentally for a notional touch-and-go training mission of a conceptual electric Cessna 172N. Resulting time-dependent performance diagrams presenting the evolution of maximum battery temperature, the ground turnaround time, and the capacity fade are used to determine operational constraints throughout the 2-year-and-a-half lifetime of the pack.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,480
Score d'incertitude au seuil0,714

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,014
Tête enseignante GPT0,268
Écart entre enseignants0,254 · 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

Citations1
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of AircraftMême sujetAdvanced Battery Technologies ResearchTravaux en français237 207