MétaCan
Menu
Retour à la cohorte
Enregistrement W2045460830 · doi:10.1115/detc2013-13619

Modeling and Simulation of a Multiple-Regime Plug-In Hybrid Electric Vehicle

2013· article· en· W2045460830 sur OpenAlexafffund
Rui Cheng, Jian Dong, Zuomin Dong

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueElectric and Hybrid Vehicle Technologies
Établissements canadiensUniversity of Victoria
Organismes subventionnairesUniversity of Victoria
Mots-clésPowertrainAutomotive engineeringElectric vehicleFuel efficiencyModular designDriving cycleHybrid vehicleEngineeringAutomotive industryPlug-inMATLABBattery electric vehicleComputer sciencePower (physics)Torque

Résumé

récupéré en direct d'OpenAlex

In recent years, the automotive industry has devoted considerable resources to the research and development of hybrid vehicles. Plug-in hybrid electric vehicles (PHEV) present to be the next generation hybrid vehicles that offer the advantages in reducing fossil fuel consumption and lowering emissions without sacrifice vehicle performance, and the ability to utilize renewable energy through charge from the electric grid. In this work, the powertrain model of a series-parallel, multiple-regime plug-in hybrid electric vehicle (SPMR-PHEV) was introduced. As one of the several parallel powertrain modeling, simulation and control system design approaches at University of Victoria, the presented SPMR-PHEV model was developed using rule-based load-leveling energy management strategy (EMS) under the MATLAB/Simulink and SimDriveline environment. In order to validate the model and evaluate the fuel consumption and performance of SPMR-PHEV, a Simulink based Prius model and two different PHEV powertrain models have also been built using Autonomie — a vehicle simulation tool developed by DOE’s Argonne National Laboratory, using the default control logics. Fuel consumption from the three different models were compared using a test drive case consisting of eight times of the US06-City drive cycle. Under the static modeling and simulation method and different control strategies, the SPMR-PHEV model in Simulink/SimDriveline and rule-based load-leveling EMS showed 12.02% fuel economy and powertrain efficiency improvements over the Autonomie model. The new powertrain system model developed using Simulink and SimDrivline could also be used as a generic, modular and flexible vehicle modeling platform to support the integration of powertrain design and control system optimization.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,031

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,203
Écart entre enseignants0,193 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetElectric and Hybrid Vehicle TechnologiesTravaux en français237 207