Data and analysis code for Aging-Aware Next-Cycle Charging Input Energy Prediction for Use-Phase Carbon Footprint Assessment of Lithium-Ion Batteries
Yongmu Su, Tao Liu, Han Gao
🤖 gxceed AI 要約
日本語
リチウムイオン電池55セル・約2.7万サイクルの観測データを用い、次サイクルの充電入力エネルギー(kWh)を機械学習で予測する解析コードと派生データの公開セット。電池劣化を考慮した使用段階の炭素足跡評価を精緻化する狙い。原データはCC BY 4.0で再利用し、特徴量処理・分割・モデル比較(XGBoost/GRU/MLP)を再現可能な形で提供する。
English
A reproducibility package of derived data and Python code predicting next-cycle charging input energy (kWh) for use-phase carbon footprint assessment of lithium-ion batteries, built on 27,587 cycle-level observations from 55 cells. It documents feature processing, target alignment, data splits, and ML model comparisons (XGBoost/GRU/MLP) on CC BY 4.0 raw data. Numerical reproduction was not rerun.
Unofficial AI-generated summary based on the public title and abstract. Not an official translation.
📝 gxceed 編集解説 — Why this matters
日本のGX文脈において
EV・蓄電池のライフサイクル炭素排出(Scope 3カテゴリ11/使用段階)算定の精度向上に資する。電池パスポートや製品別CFP開示が進む日本企業にとって、使用段階排出のモデル化手法として参考になる。
In the global GX context
Refines use-phase emissions modeling for battery life-cycle carbon accounting, relevant to Scope 3 Cat.11 and product carbon footprint disclosure under ISSB/CSRD and the EU Battery Regulation. Adds an ML-based, aging-aware method to global battery LCA scholarship.
👥 読者別の含意
🔬研究者:電池使用段階の炭素足跡をMLで予測する再現可能な手法・データ基盤として参照できる。
🏢実務担当者:EV・蓄電池の製品CFP算定で使用段階排出をモデル化する際の手法選択に活用できる。
🏛政策担当者:電池規制やCFP開示制度における使用段階排出算定の精緻化を検討する材料になる。
📄 Abstract（原文）
Supporting data and original Python analysis code for the manuscript "Aging-Aware Next-Cycle Charging Input Energy Prediction for Use-Phase Carbon Footprint Assessment of Lithium-Ion Batteries". Contents: 27,587 supervised cycle-level observations from 55 cells; feature definitions and split registries; existing result workbooks; 31 Python source files; execution instructions and checksums. The prediction target is next-cycle charging input energy in kWh. Original raw data: Fujin Wang (2024), https://doi.org/10.5281/zenodo.10963339, licensed CC BY 4.0. The raw archive is not duplicated. Changes comprise cycle-level feature processing, next-cycle input-target alignment, data splits and analysis. This deposit contains derived data and analysis materials, not the manuscript itself. Licensing: derived data, result tables and documentation are CC BY 4.0; original Python source is MIT. See the separate license files in the archive. Third-party libraries retain their respective licenses. No additional experiments or training were performed for packaging. Python syntax, sample counts and archive integrity were checked; numerical reproduction was not rerun. Historical dependency-version differences are documented in the README. The original requirements file is not a verified frozen environment. Use final_mlp_b_results.xlsx for final MLP results; main_model_stability.xlsx contains an earlier MLP experiment and is retained for XGBoost/GRU comparisons. Consult the README for details.
🔗 Provenance — このレコードを発見したソース
- openalex https://doi.org/10.5281/zenodo.23360456first seen 2026-10-17 04:48:21
🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。
gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。