Compound Lever Based Optimal Configuration Selection of Compound-Split Hybrid Vehicles
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Finding optimal split hybrid configurations through exhaustive search is almost intractable, mainly due to the huge design space, e.g. 252 compound split configurations using two planetary gear sets (PG). Thus, a systematic exhaustive design methodology is required to find optimal configurations. While most of the prior studies proposed methodologies that assess the performance within the physical design space, i.e. based on the powertrain configurations, this paper proposes a compound lever-based comprehensive design methodology. The (virtual) compound lever is an attractive design tool defined by two design variables, i.e. α and β, that omits the redundancy existing within the physical design space, thus, reduces the computational load. The proposed method explores the entire (virtual) compound lever design space to find optimal compound split configurations with outstanding fuel economy and acceleration performance. First, two performance metrics, i.e. fuel economy and acceleration performance, are assessed within the entire compound lever design space, and optimal compound lever designs, i.e. optimal α and β, are selected. These selected compound lever designs, however, lack the physical parameters (e.g. PGs connections and gear ratios) required for further design steps. Therefore, a conversion model and conversion equations are developed in order to convert the selected optimal compound lever designs into feasible powertrain configurations. The developed compound-lever design methodology was applied to a few optimal designs on the Pareto front, and multiple novel compound split configurations with outstanding fuel economy and acceleration performance were found.</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.
Comment cette classification a été obtenuedéplier
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».