EV battery state changes & RL considerations
Notice bibliographique
Résumé
Electric Vehicles are becoming trendy and proved to have no harmful exhaust like traditional fuel-powered vehicles which makes them one of the best solution to reduce greenhouse gas emissions. As the world shifts towards electric vehicle adoption, we will need efficient power sources to provide enough capacity for all these vehicles to function. Lithium-Ion batteries are the driving force behind this new trend. The goal of this research is to analyze the lifespan and long-term ratio composition of Lithium-Ion batteries in electric vehicles by developing two models, an Absorbing Markov Chain model, and a Markov Chain Steady-State Census model. A sensitivity analysis is also conducted to alleviate the scarcity of enough input data. The models show that the lifespan of the new batteries can be extended by 4.5 years, which will have a positive environmental impact and reap economic benefits. Further, the long term composition of batteries in New, remanufactured, repurposed and recycled states can be projected. The increasing demand for EVs globally has created a necessity for more batteries to power them, and these batteries require materials to be made. By considering reverse logistics processes, it is possible to recycle batteries and recover the valuable materials. Not only does this support the environment, but given the rising demand and finite raw material supply, there is an opportunity to capture the economic benefit of recycling. From this research, the recovered materials cobalt, lithium, and nickel are calculated, and this is especially important for the optimal planning of sustainable manufacturing.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».