Optimal powertrain component sizing of a fuel cell plug-in hybrid electric vehicle using multi-objective genetic algorithm
Notice bibliographique
Résumé
Considerable efforts have been made recently to develop a completely zero-emission and highly fuel efficient vehicle. Due to clean and efficient power generation, the hydrogen fed fuel cell vehicle (FCVs) has received considerable attention. However, major obstacles such as cost of the hydrogen infrastructure, driving range, and cost of the fuel cell greatly influence FCV development. At the same time, proper utilization of grid power, along with a modified electrical system infrastructure, would encourage automakers to envisage plug-in versions of fuel cell vehicles. This paper presents the optimal powertrain component sizing of a fuel cell plug-in hybrid electric (FC-PHEV) vehicle, comprised of a fuel cell with electrolyser, Ni-MH battery as secondary energy storage, and a propulsion motor. Such a PHEV architecture provides an additional degree of freedom, as the grid power can be used to recharge batteries, or for the electrolysis of water, to generate hydrogen and oxygen, which increases the driving range of vehicle as well as the overall powertrain efficiency. Hence, the overall performance and efficiency are much superior when compared to ordinary PHEV or FC-HEV powertrains. This paper uses a small vehicle power train for modelling and simulation purposes. Optimal sizing of the power train components using multi-objective genetic algorithm will be presented. Moreover, overall vehicle performance and fuel economy for different driving loads will also be analysed. Finally, an overall cost analysis will also be presented.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».