Accueil › Annuaire des chercheurs › Saad El Fallah
Saad El Fallah
Affiliation : Université Privée de Fès
- 13Publications (affiliation marocaine)
- 17Publications au total
- 191Citations
- 6Indice h
Profil de recherche
Saad El Fallah compte 13 publications référencées (2023–2026). Ses travaux paraissent principalement dans « Lecture notes in networks and systems », « IEEE Open Conference of Electrical, Electronic and Information Sciences (eStream) » et « Batteries ». Son article le plus cité, « State of charge estimation of an electric vehicle’s battery using Deep Neural Networks: Simulation and experimental results » (2023), a été cité 92 fois. 10 de ces publications datent des trois dernières années d’activité. Ses travaux sont cosignés avec au moins 12 chercheurs, notamment dans des établissements de Taïwan, Viêt Nam.
C’est vous ? Faites connaître vos travaux
Créez gratuitement votre profil DzCademia et ajoutez vos articles : ils apparaîtront plus facilement sur Google et dans les assistants d’IA comme ChatGPT. Plus de personnes pourront vous lire et vous citer.
Créer mon profil gratuit Ajouter mes publicationsDomaines de recherche
- Advanced Battery Technologies Research
- Advancements in Battery Materials
- Electric and Hybrid Vehicle Technologies
- Control Systems and Identification
- Electric Vehicles and Infrastructure
Publications (13)
- Deep Neural Network Optimization for Lithium-Ion Battery State of Health Prediction in Electric Vehicles: Outperforming Hybrid Models
- Advanced State of Charge Estimation Using Deep Neural Network, Gated Recurrent Unit, and Long Short-Term Memory Models for Lithium-Ion Batteries under Aging and Temperature Conditions
- Advanced Battery Management for Electric Vehicles: A Deep Dive into Estimation Techniques Based on Deep Learning for the State of Health and State of Charge of Lithium-Ion Batteries
- Adaptive Methods for Kernel Initialization of Convolutional Neural Network Model Applied to Plant Disease Classification
- A Review on Improvement in Detection of Cyberattacks Using Artificial Intelligence for the Grid Applications
- Review on Techniques for Evaluating the Degradation of Lithium-Ion Batteries Based on Artificial Intelligence: Algorithms, Implementations, Problems and Prospects
- Enhancing Battery State of Charge Estimation Through a Combination of Extended Kalman Filter and Artificial Neural Network
- Empowering Industrial Energy Management: Advancing Short-Term Load Forecasting with LSTM and CNN Deep Learning Models - Insights from a Moroccan Case Study
- Evaluation on State of Charge Estimation of Li-Ion Battery with Extended Kalman Filter Compared to Random Forest and Gradient Boosting Models
- Advanced State of Charge Estimation for Electric Vehicle Batteries Using Gradient Boosting and Random Forest Models
- State of charge estimation of an electric vehicle’s battery using Deep Neural Networks: Simulation and experimental results
- Robust State of Charge Estimation and Simulation of Lithium-Ion Batteries Using Deep Neural Network and Optimized Random Forest Regression Algorithm
- State of Charge Estimation of Lithium-Ion Batteries Using Extended Kalman Filter and Multi-layer Perceptron Neural Network
Revues de publication
- Lecture notes in networks and systems × 6
- IEEE Open Conference of Electrical, Electronic and Information Sciences (eStream) × 4
- Batteries × 1
- Applied Sciences × 1
- Journal of Energy Storage × 1
Publications par année
- 20261
- 20249
- 20233
Collaborations
Établissements partenaires : Sidi Mohamed Ben Abdellah University · China Medical University Hospital · Université Moulay Ismail de Meknes · Thu Dau Mot University · École Normale Supérieure de l'Enseignement Technique de Mohammedia
Pays des co-auteurs : Taïwan · Viêt Nam
Co-auteurs
- J. Kharbach
- Mohammed Ouazzani Jamil
- A. Rezzouk
- Oumayma Lehmam
- Rachid Masrour
- Khaoula Boumais
- Saloua Lagnaoui
- Hassan Qjidaa
- Zakia Hammouch
- Mouhsine El Haissen
- Mohammed Chkoubi
- Assia Redouani
Données bibliographiques issues d’OpenAlex (base ouverte).
Pourquoi choisir Dzcademia ?
Pour donner à vos travaux plus de chances d’être découverts et recommandés par les IA. Profils, articles et communications : donnez à votre recherche une présence publique structurée. Les métadonnées intégrées aident les moteurs de recherche et les assistants IA à identifier vos travaux et à comprendre leurs références.
Commenter avec Google
Connecte-toi avec Google pour commenter directement sur cette page.