Impacts of Two-Speed Gearbox on Electric Vehicle's Fuel Economy and Performance
Notice bibliographique
Résumé
Recent developments of hybrid vehicle technology have promoted another wave of vehicle electrification and introduction of pure electric vehicles (PEVs), such as Nissan Leaf and Ford Transit Connect Electric. The energy efficiency of these PEVs with an electric drive can be potentially further improved by introducing a two-speed or multi-speed gearbox to ensure the electric machine to operate at peak performance. In this work, a powertrain model of the Transit Connect Electric is built to examine the powertrain efficiency improvement potentials using a two-speed gearbox. The HEV and EV powertrain modeling tool, AUTONOMIE from US Argonne National Lab, is used for the powertrain modeling, and partially verified using vehicle testing data from US Environment Protection Agency (EPA). An optimization method, whose kernel is Dynamic Programming (DP), is combined with the model to find the possible minimum energy consumption and corresponding gear ratios. The electric drive designs: a) with or without a two-speed gearbox; and b) using original rule-based gearshift controller or using DP-improved gearbox controller, are compared and analyzed. This study can facilitate a better understanding on the PEVs' powertrain efficiency and provide guidelines to cost-effective PEV electric drive design for given driving cycles using an appropriate electric machine. The need and benefit of two-speed gearbox for mixed city and highway driving are explored. The study forms a foundation for further research in this area.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».