Optimal powertrain component sizing of a fuel cell plug-in hybrid electric vehicle using multi-objective genetic algorithm
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
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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