Machine Learning to identify degradation mechanisms

Philipp, Micha und Horstmann, Birger und Latz, Arnulf (2023) Machine Learning to identify degradation mechanisms. HIU Biennial Metting, Ulm, Deutschland.

PDF - Nur DLR-intern zugänglich
1MB

Kurzfassung

Use of machine learning to investigate degradation of Li-ion batteries via SEI formation. Bayesian methods for parameterization of possible degradation models and consistent model selection.

elib-URL des Eintrags:

https://elib.dlr.de/201201/

Dokumentart:

Konferenzbeitrag (Poster)

Titel:

Machine Learning to identify degradation mechanisms

Autoren:

Autoren	Institution oder E-Mail-Adresse	Autoren-ORCID-iD	ORCID Put Code
Philipp, Micha	micha.philipp (at) dlr.de	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT
Horstmann, Birger	birger.horstmann (at) dlr.de	https://orcid.org/0000-0002-1500-0578	148960573
Latz, Arnulf	arnulf.latz (at) dlr.de	https://orcid.org/0000-0003-1449-8172	NICHT SPEZIFIZIERT

Datum:

2023

Referierte Publikation:

Nein

Open Access:

Nein

Gold Open Access:

Nein

In SCOPUS:

Nein

In ISI Web of Science:

Nein

Status:

veröffentlicht

Stichwörter:

Machine learning, Bayesian methods, degradation, Li-ion batteries

Veranstaltungstitel:

HIU Biennial Metting

Veranstaltungsort:

Ulm, Deutschland

Veranstaltungsart:

nationale Konferenz

HGF - Forschungsbereich:

Energie

HGF - Programm:

Materialien und Technologien für die Energiewende

HGF - Programmthema:

Chemische Energieträger

DLR - Schwerpunkt:

Energie

DLR - Forschungsgebiet:

E SP - Energiespeicher

DLR - Teilgebiet (Projekt, Vorhaben):

E - Elektrochemische Prozesse, E - Elektrochemische Speicher

Standort:

Ulm

Institute & Einrichtungen:

Institut für Technische Thermodynamik > Computergestützte Elektrochemie

Hinterlegt von:

Philipp, Micha

Hinterlegt am:

18 Dez 2023 18:01

Letzte Änderung:

18 Dez 2023 18:01

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags