MétaCan
Menu
Retour à la cohorte
Enregistrement W2117869829 · doi:10.1109/tvt.2010.2041563

On Conversion of Hybrid Electric Vehicles to Plug-In

2010· article· en· W2117869829 sur OpenAlexaff
Reza Ghorbani, Eric Bibeau, Shaahin Filizadeh

Notice bibliographique

RevueIEEE Transactions on Vehicular Technology · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueElectric and Hybrid Vehicle Technologies
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésAutomotive engineeringPowertrainBattery (electricity)Energy managementInternal combustion engineState of chargeEngineeringElectric vehicleRegenerative brakeController (irrigation)Battery packPower (physics)Energy (signal processing)TorqueBrake

Résumé

récupéré en direct d'OpenAlex

The retrofit conversion of currently available hybrid electric vehicles (HEVs) to plug-in HEVs (PHEVs) is studied in this paper through experiments and simulations using the powertrain system analysis toolkit (PSAT). First, a rule-based fuzzy controller of the battery energy-management unit is developed to simulate different energy-management policies. Second, by modifying the energy-control strategy, the model of the conversion PHEV (C-PHEV) is verified with experiments. Finally, the C-PHEV model is used to simulate different battery energy-management control strategies. The results show improvement in fuel economy, whereas the energy-management controller discharges the power through the plug-in battery pack only when the state of charge of the base vehicle battery is close to its minimum value. This method keeps the advantage of driving in electric mode using a combination of two batteries and optimizing the use of regenerative braking capabilities, which is the main advantage of HEVs. It is also found that increasing the power threshold of the internal combustion engine (ICE) improves the performance of C-PHEV. Increasing the ICE power threshold increases the engine efficiency by running the engine in its efficient points. It also drives the vehicle in electric mode in higher power demands.

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: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,004
Tête enseignante GPT0,197
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'étudeExpérimental (laboratoire)
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

Citations65
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Vehicular TechnologyMême sujetElectric and Hybrid Vehicle TechnologiesTravaux en français237 207