Gast ::
Machine learning for battery quality classification and lifetime prediction using formation data
; ; ; ; ;
In
Energy and AI 18, Seiten/Artikel-Nr.:100451
2024
Online
DOI: 10.1016/j.egyai.2024.100451
DOI: 10.18154/RWTH-2024-11881
URL: https://publications.rwth-aachen.de/record/999121/files/999121.pdf
Einrichtungen
- Lehrstuhl für Elektrochemische Energiewandlung und Speichersystemtechnik (618310)
- JARA-ENERGY (080011)
- Lehrstuhl für Production Engineering of E-Mobility Components (420910)
- Center for Ageing, Reliability and Lifetime Prediction of Electrochemical and Power Electronic Systems (080070)
- Lehrstuhl für Maschinelles Lernen und Inferenz (Informatik 6) (122010)
- Fachgruppe Informatik (120000)
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)
- BMBF 03XP0334 - Model2Life- Modellbasierte Systemauslegung für 2nd-Life-Nutzungsszenarien von mobilen Batteriesystemen (03XP0334) (03XP0334)
Thematische Einordnung (Klassifikation)
DDC: 624
OpenAccess: 
PDF
Dokumenttyp
Journal Article
Format
online
Sprache
English
Anmerkung
Peer reviewed article
Externe Identnummern
SCOPUS: SCOPUS:2-s2.0-85210756693
WOS Core Collection: WOS:001371742100001
Interne Identnummern
RWTH-2024-11881
Datensatz-ID: 999121
Beteiligte Länder
Germany
; 
; 
; Article Processing Charges ; DOAJ Seal ; Fees ; SCOPUS
Datensatz erzeugt am 2024-12-12, letzte Änderung am 2025-07-31
OpenAccess:
PDF
PDF