Recent advancements in Artificial Neural Network-based temperature prediction and management of lithium-ion batteries: A comprehensive review
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
In this comprehensive review, we meticulously examine the role of Artificial Neural Networks (ANN) in predicting and understanding the thermal behavior of Lithium-ion batteries (LIBs), with a focus on battery temperature and thermal runaway (TR) prediction. Throughout this review, A bibliometric analysis of over 200 publications between 2010 and 2024 revealed a more than 5 × growth in ANN-based thermal modeling studies in the last five years. We quantitatively compare recent models including Long Short-Term Memory (LSTM), Gated Recurrent Units (GRU), and Feedforward Neural Networks (FFNN), with reported root mean square errors (RMSE) ranging from as low as 0.055 °C (LSTM) to 1.3 °C (FFNN) in surface temperature prediction tasks. Moreover, we have identified an emerging trend in the design of hybrid models such as LSTM-CNN, which achieves TR detection of up to 27 min in advance. Therefore, emphasizing the advantage of hybrid modeling in battery thermal safety. In parallel, this review highlights the current state-of-the-art of Physics informed Machine Learning (PIML) that integrates domain knowledge and governing physical laws with neural networks and achieves average RMSE as low as 0.12 ° C in temperature prediction. Furthermore, PIML models reduce drift error by up to 40% under dynamic conditions, while reducing computation time by up to 250 times less than purely ML data-driven models. This highlights the transformative role PIML can provide in onboard and real-time BTMS. Despite this progress, a critical research gap remains, such as the underutilization of GRU based models, limited core temperature prediction, and a shortage in publicly available battery datasets with internal thermal measurement. This review concludes by providing a curated summary of benchmark datasets and model evaluation to serve as a valuable reference for researchers in the domain of next-generation BTMS.
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 | 0,000 | 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