Artificial Intelligence and Digital Twin Technologies for Intelligent Lithium-Ion Battery Management Systems: A Comprehensive Review of State Estimation, Lifecycle Optimization, and Cloud-Edge Integration
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
The rapid growth of electric vehicles (EVs) and new energy systems has put lithium-ion batteries at the center of the clean energy change. Nevertheless, to achieve the best battery performance, safety, and sustainability in many changing circumstances, major innovations are needed in Battery Management Systems (BMS). This review paper explores how artificial intelligence (AI) and digital twin (DT) technologies can be integrated to enable the intelligent BMS of the future. It investigates how powerful data approaches such as deep learning, ensembles, and models that rely on physics improve the accuracy of predicting state of charge (SOC), state of health (SOH), and remaining useful life (RUL). Additionally, the paper reviews progress in AI features for cooling, fast charging, fault detection, and intelligible AI models. Working together, cloud and edge computing technology with DTs means better diagnostics, predictive support, and improved management for any use of EVs, stored energy, and recycling. The review underlines recent successes in AI-driven material research, renewable battery production, and plans for used systems, along with new problems in cybersecurity, combining data and mass rollout. We spotlight important research themes, existing problems, and future drawbacks following careful analysis of different up-to-date approaches and systems. Uniting physical modeling with AI-based analytics on cloud-edge-DT platforms supports the development of tough, intelligent, and ecologically responsible batteries that line up with future mobility and wider use of renewable energy.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 découle