Simplified Methodology for Modeling Cold Temperature Effects on Engine Efficiency for Hybrid and Plug-in Hybrid Vehicles
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">For this work, a methodology of modeling and predicting fuel consumption in a hybrid vehicle as a function of the engine operating temperature has been developed for cold ambient operation (-7°C, 266°K). This methodology requires two steps: 1) development of a temperature dependent engine brake specific fuel consumption (BSFC) map, and, 2) a data-fitting technique for predicting engine temperature to be used as an input to the temperature dependent BSFC maps. For the first step, response surface methodology (RSM) techniques were applied to generate brake specific fuel consumption (BSFC) maps as a function of the engine thermal state. For the second step, data fitting techniques were also used to fit a simplified lumped capacitance heat transfer model using several experimental datasets.</div><div class="htmlview paragraph">Utilizing these techniques, an analysis of fuel consumption as a function of thermal state across a broad range of engine operating conditions is presented. These techniques allow for prediction of fuel consumption for a vehicle as a function of the engine's operation and temperature. Results will be shown over repeated Urban Dynamometer Driving Schedule (UDDS) and US06 cycles at an ambient test cell temperature of 266°K. Details into the variability of fueling rates under a broad range of engine temperatures are presented. Certain details into the technique will be presented, as well as analysis comparing the model to experimental datasets.</div></div>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».