Evaluating the Role of Entropy Change in Lithium-Ion Battery Electro-Thermal Modelling
Notice bibliographique
Résumé
The accurate estimation of lithium-ion cell internal temperature is crucial for the safe operation of battery packs, especially during high discharge rates, as operating outside the safe temperature range can lead to accelerated degradation or catastrophic failures. Heat generation in lithium-ion cells arises primarily from ohmic losses and entropy change (ΔS), yet the latter remains frequently overlooked in battery modelling. However, the impact of considering or discarding ΔS from electro-thermal modelling remains subject to debate. This research highlights the critical role of ΔS in improving the accuracy of electro-thermal models for lithium-ion batteries, particularly in high-fidelity thermal simulations. It presents a systematic integration, ΔS, into electro-thermal models, leveraging the energetic macroscopic representation (EMR) approach to enhance predictive accuracy, a methodology not previously structured in this manner. This paper addresses this issue by performing a comparative analysis of an electro-thermal model (ETM) with and without ΔS. The findings provide clear insights into the role of entropy in electro-thermal modelling, demonstrating that while entropy change has a minimal impact on electrical behaviour prediction, it plays a crucial role in accurately capturing temperature dynamics, helping define the conditions under which it must be considered in simulations. While entropy can be neglected for coarse heat generation estimation, its inclusion enhances temperature prediction accuracy by up to 4 °C, making it essential for applications requiring precise thermal management. This study offers a detailed analysis of the conditions under which ΔS becomes critical to model accuracy, providing actionable guidance for battery engineers and researchers.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».