Machine Learning Based Lifetime Prediction of Lithium-Ion Cells

Schofer, Kai und Laufer, Florian und Stadler, Jochen und Hahn, Severin und Gaiselmann, Gerd und Latz, Arnulf und Birke, Kai Peter (2022) Machine Learning Based Lifetime Prediction of Lithium-Ion Cells. Advanced Science. Wiley. doi: 10.1002/advs.202200630. ISSN 2198-3844.

PDF - Verlagsversion (veröffentlichte Fassung)
8MB

elib-URL des Eintrags:

https://elib.dlr.de/192726/

Dokumentart:

Zeitschriftenbeitrag

Titel:

Machine Learning Based Lifetime Prediction of Lithium-Ion Cells

Autoren:

Autoren	Institution oder E-Mail-Adresse	Autoren-ORCID-iD	ORCID Put Code
Schofer, Kai	Mercedes Benz AG	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT
Laufer, Florian	Mercedes Benz AG	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT
Stadler, Jochen	Mercedes Benz AG	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT
Hahn, Severin	Mercedes Benz AG	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT
Gaiselmann, Gerd	Mercedes Benz AG	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT
Latz, Arnulf	DLR	https://orcid.org/0000-0003-1449-8172	NICHT SPEZIFIZIERT
Birke, Kai Peter	Universität Stuttgart	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT

Datum:

26 August 2022

Erschienen in:

Advanced Science

Referierte Publikation:

Open Access:

Gold Open Access:

In SCOPUS:

In ISI Web of Science:

DOI:

10.1002/advs.202200630

Verlag:

Wiley

ISSN:

2198-3844

Status:

veröffentlicht

Stichwörter:

Batteriesimulation, Lebensdauervorhersage, Machine Learning

HGF - Forschungsbereich:

Energie

HGF - Programm:

Materialien und Technologien für die Energiewende

HGF - Programmthema:

Elektrochemische Energiespeicherung

DLR - Schwerpunkt:

Energie

DLR - Forschungsgebiet:

E SP - Energiespeicher

DLR - Teilgebiet (Projekt, Vorhaben):

E - Elektrochemische Speicher

Standort:

Ulm

Institute & Einrichtungen:

Institut für Technische Thermodynamik > Computergestützte Elektrochemie

Hinterlegt von:

Latz, Arnulf

Hinterlegt am:

05 Jan 2023 15:18

Letzte Änderung:

01 Dez 2023 08:50

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags