eBiltegia - Mondragon Unibertsitateko biltegi digitala
Mondragon Unibertsitateko Biltegi digitalak unibertsitatean jarduera akademiko, ikertzaile eta instituzionalaren emaitza gisa sortutako dokumentuen testu osoa eskuratzeko aukera ematen du sarbide irekian erakundearen Sarbide Irekiko politikak betez:
Bere helburua da zientzia irekia sustatzea, unibertsitateko ekoizpen zientifiko eta akademikoaren ikusgarritasun eta eragina areagotzea, eduki digitalen babes segurua bermatzea eta estandar teknikoen bidez haien elkarreragingarritasuna erraztea.Doktore-tesiak, gradu eta master bukaerako lanak, material didaktikoa, unibertsitateko argitalpenak, lan-dokumentuak, preprintak, postprintak, artikuluak, kongresuetako aktak, datu-sortak, dokumentu instituzionalak eta abar aurkitu ahal izango dituzu.
Komunitateak eBiltegian
Erantsitako azken lanak
-
Steady-state temperature calculation tool for multilayer PCBs
(IEEE, 2025)The adoption of GaN-based devices in power converters offers significant improvements in efficiency and power density, but also intensifies thermal challenges by concentrating heat in smaller volumes. High current and ... -
Lagunarteko hizkera langai ikastolan: bi ikasturteko esku-hartzearen inplementazioa eta emaitzak
(Euskaltzaindia, 2025-10-30)Ikerketa hau Euskaltzaindiaren Mintzola egitasmoak, Ikastolen Elkarteak eta Mondragon Unibertsitateak elkarlanean gauzatu dute. 2022-23 eta 2023-24 ikasturteetan, Lehen Hezkuntzako laugarren eta bosgarren mailako ikasleekin, ... -
Battery Heterogeneity Challenge: From Single to Multiple Cell System Modelling
(2025)Significant efforts have been dedicated to optimising the performance of battery systems by improving energy management and battery sizing strategies. Recent advancements have shifted their focus on model-based optimisations ... -
Bridging the Gap between ECMs and PBMs: Electrode-level Extended ECM
(2025)Accurate and efficient Li-ion battery models are essential for control, diagnostics, and system-level integration. While physics-based models (PBMs) offer detailed electrochemical insight, they are often too complex for ... -
Privacy-Preserving Feature Valuation in Vertical Federated Learning Using Shapley-CMI and PSI Permutation
(IEEE, 2025)Federated Learning (FL) is an emerging machine learning paradigm that enables multiple parties to collaboratively train models without sharing raw data, ensuring data privacy. In Vertical FL (VFL), where each party holds ...
RSS 1.0
