Component sizing of a plug-in hybrid electric vehicle powertrain, Part A: coupling bio-inspired techniques to meshless variable-fidelity surrogate models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In the present investigation, the authors propose a variable fidelity optimisation framework for component sizing of a plug-in hybrid electric vehicle (PHEV) powertrain. The proposed computational framework can be divided into two different stages. At the first stage, finite element grids of different resolutions are used to capture initial information regarding the behaviour of physical system. To generate those grids, maximum power of electric motor (PEM-max) and maximum power of combustion engine (PCE-max) are fed to a specialised physical model. Based on a cumbersome computational procedure, the physical model yields fuel consumption (FC) required for a predefined drive cycle. Having such information available, the authors take the advantages of an efficient design of experiment (DoE) scheme to extract some samples from the generated grids. Thereafter, two surrogate techniques, i.e., respond surface method (RSM) and radial basis function (RBF), are used to approximate the general behaviour of both high fidelity and low fidelity models. At the second stage, the developed surrogate models are used for optimisation. To do so, a recent spotlighted memetic algorithm called scale factor local search differential evolution (SFLSDE) is used. Through a throughout comparative analysis, the authors prove the proposed model is really effective for PHEV optimisation.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 découle