The Importance of HEV Fuel Economy and Two Research Gaps Preventing Real World Implementation of Optimal Energy Management
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
<div class="section abstract"><div class="htmlview paragraph">Optimal energy management of hybrid electric vehicles has previously been shown to increase fuel economy (FE) by approximately 20% thus reducing dependence on foreign oil, reducing greenhouse gas (GHG) emissions, and reducing Carbon Monoxide (CO) and Mono Nitrogen Oxide (NOx) emissions. This demonstrated FE increase is a critical technology to be implemented in the real world as Hybrid Electric Vehicles (HEVs) rise in production and consumer popularity. This review identifies two research gaps preventing optimal energy management of hybrid electric vehicles from being implemented in the real world: sensor and signal technology and prediction scope and error impacts. Sensor and signal technology is required for the vehicle to understand and respond to its environment; information such as chosen route, speed limit, stop light locations, traffic, and weather needs to be communicated to the vehicle. Since optimal control requires accurate prediction of the vehicle environment and drive cycle, prediction scope and error impact analysis is needed to understand the required accuracy of sensor and signal information received by the vehicle as well as the accuracy of the optimal control computed. This review presents the current state of research and solutions in development for each of these research gaps. Once these research gaps have been filled, HEVs may have the potential to substantially increase the FE standard and remove ICE vehicles as the leading consumer of petroleum and leading contributor of GHG, CO, and NOx emissions.</div></div>
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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