Gast ::
Fast data augmentation for battery degradation prediction
; ; ; ; ; ;
In
Energy and AI 21, Seiten/Artikel-Nr.:100542
2025
Online
DOI: 10.1016/j.egyai.2025.100542
DOI: 10.18154/RWTH-2025-05887
URL: https://publications.rwth-aachen.de/record/1014051/files/1014051.pdf
Einrichtungen
- Juniorprofessor für Artificial Intelligence and Digitalization for Batteries (619830)
- Center for Ageing, Reliability and Lifetime Prediction of Electrochemical and Power Electronic Systems (080070)
- Lehrstuhl für Elektrochemische Energiewandlung und Speichersystemtechnik (618310)
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: 624
OpenAccess: 
PDF
Dokumenttyp
Journal Article
Format
online
Sprache
English
Anmerkung
Peer reviewed article
Externe Identnummern
SCOPUS: SCOPUS:2-s2.0-105008645959
WOS Core Collection: WOS:001520582700001
Interne Identnummern
RWTH-2025-05887
Datensatz-ID: 1014051
Beteiligte Länder
Germany, UK, USA
; 
; 
; Article Processing Charges ; Clarivate Analytics Master Journal List ; DOAJ Seal ; Emerging Sources Citation Index ; Fees ; SCOPUS ; Web of Science Core Collection
Datensatz erzeugt am 2025-07-02, letzte Änderung am 2025-08-13
OpenAccess:
PDF
PDF