Please use this identifier to cite or link to this item:
https://dspace.univ-ouargla.dz/jspui/handle/123456789/36894
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.author | Boudraa, Nacira | - |
dc.contributor.author | Branis, Abdelghani | - |
dc.contributor.author | gouni, oussama | - |
dc.date.accessioned | 2024-09-29T10:02:40Z | - |
dc.date.available | 2024-09-29T10:02:40Z | - |
dc.date.issued | 2024 | - |
dc.identifier.citation | FACULTE DES NOUVELLES TECHNOLOGIES DE L'INFORMATIQUE ET DE LA COMMUNICATION | en_US |
dc.identifier.uri | https://dspace.univ-ouargla.dz/jspui/handle/123456789/36894 | - |
dc.description | instrumentation et systèmes | en_US |
dc.description.abstract | Notre é́tude s’est concentrée sur un système de batterie sophistiqué destiné à la prédiction de pannes et à l’estimation de la durée de vie utile restante (RUL) des batteries au lithium-ion grâce à l’intelligence artificielle. En utilisant des modèles avancés de deep learning, nous avons cherché à créer des méthodes hautement efficaces et précises pour estimer la durée de vie des batteries. Nos modèles ont ´e t ´e rigoureusement testés à l’aide de l’ensemble de données complet de la NASA sur les batteries, garantissant leur fiabilité et leur précision dans la prédiction de la RUL des batteries au lithium-ion. Cette approche non seulement améliore la gestion des batteries, mais contribue également de manière significative au développement de systèmes de stockage d’énergie plus efficaces et plus sûrs. | en_US |
dc.description.sponsorship | Département d’électronique et de télécommunications | en_US |
dc.language.iso | fr | en_US |
dc.publisher | UNIVERSITY KASDI MERBAH OUARGLA | en_US |
dc.subject | batterie au lithium | en_US |
dc.subject | prédiction des pannes | en_US |
dc.subject | estimation de la durée de vie restante d'une batterie au lithium | en_US |
dc.subject | intelligence artificielle | en_US |
dc.subject | apprentissage en profondeur | en_US |
dc.title | Pronostic de défauts des batteries au lithium-ion en utilisant les techniques d’apprentissage profond | en_US |
dc.type | Thesis | en_US |
Appears in Collections: | Département d'Electronique et des Télécommunications - Master |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
BRANIS-GOUNI.pdf | instrumentation et systèmes | 1,73 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.