Gast ::
Sensorless battery expansion estimation using electromechanical coupled models and machine learning
; ; ; ; ; ;
In
Journal of Energy Chemistry 105, Seiten/Artikel-Nr.:142-157
2025
Online
DOI: 10.1016/j.jechem.2024.12.068
DOI: 10.18154/RWTH-2025-01846
URL: https://publications.rwth-aachen.de/record/1005561/files/1006130.pdf
Einrichtungen
- Lehrstuhl für Elektrochemische Energiewandlung und Speichersystemtechnik (618310)
- Juniorprofessor für Artificial Intelligence and Digitalization for Batteries (619830)
- Center for Ageing, Reliability and Lifetime Prediction of Electrochemical and Power Electronic Systems (080070)
- JARA-ENERGY (080011)
Projekte
- OAPKF - Open-Access-Publikation mit Unterstützung der RWTH Aachen University (021000-OAPKF) (021000-OAPKF)
- BMBF 03XP0585 - SPEED - Schnelle Charakterisierung der Leistungsfähigkeit von Lithium-Ionen-Batterien aus der Produktionslinie mit maschinellem Lernen (03XP0585) (03XP0585)
Thematische Einordnung (Klassifikation)
DDC: 540
OpenAccess: 
PDF
Dokumenttyp
Journal Article
Format
online, print
Sprache
English
Anmerkung
Peer reviewed article
Externe Identnummern
WOS Core Collection: WOS:001438792200001
SCOPUS: SCOPUS:2-s2.0-85219117735
Interne Identnummern
RWTH-2025-01846
Datensatz-ID: 1005561
Beteiligte Länder
Germany, Peoples R China
; 
; 
; Clarivate Analytics Master Journal List ; Essential Science Indicators ; IF >= 10 ; JCR ; SCOPUS ; Science Citation Index Expanded ; Web of Science Core Collection
Datensatz erzeugt am 2025-02-27, letzte Änderung am 2025-04-07
OpenAccess:
PDF
PDF