Approche hybride CNN-Residual-LSTM multi-échelles pour une estimation robuste de l'état de charge des batteries lithium-ionHybrid multi-scale CNN-Residual-LSTM approach for robust state-of-charge estimation in lithium-ion batteries.
- Modèle hybride CNN-Residual-LSTM pour l'estimation de SoC/SoH
- Performance supérieure aux algorithmes classiques (MAE = 0,1507)
- Utilisation de données réelles de batterie pour l'entraînement
L'article traite d'une application technique en ingénierie énergétique, sans lien avec les neurosciences, la psychologie ou la médecine. Les résultats sont pertinents pour les systèmes de gestion de batterie, mais non pour la veille clinique en neurosciences.
Absence de lien avec les neurosciences ou la clinique Application limitée aux systèmes énergétiques, non aux troubles neurologiques ou psychiatriques Résultats techniques sans impact sur la pratique clinique
Cet article propose une architecture de deep learning hybride combinant réseaux de neurones convolutifs (CNN), blocs résiduels et unités LSTM pour estimer précisément l'état de charge (SoC) et l'état de santé (SoH) des batteries lithium-ion. L'objectif est d'améliorer la gestion énergétique et la sécurité des systèmes de batterie. Le modèle a été entraîné sur des données réelles et a démontré une performance supérieure à des algorithmes classiques (Random Forest, SVR, GBM) avec des métriques comme un MAE de 0,1507 et un R² de 0,9998. Bien que les résultats techniques soient solides, l'article ne présente pas de lien direct avec les neurosciences ou la clinique. Il s'agit d'une application d'ingénierie énergétique.
Modèle hybride CNN-Residual-LSTM pour l'estimation de SoC/SoH Performance supérieure aux algorithmes classiques (MAE = 0,1507) Utilisation de données réelles de batterie pour l'entraînement
Peut contribuer à la conception de systèmes de gestion de batterie fiables pour des applications médicales (ex. dispositifs portables) Aucun lien direct avec les neurosciences ou la santé mentale
Faible