Rapid optimal design of a multimode power split hybrid electric vehicle transmission
Notice bibliographique
Résumé
This work aims at presenting a design methodology capable of modeling, generating, and testing a large number of multimode power split hybrid electric vehicle transmission designs in a relatively short period of time. Design parameters include the planetary gear ratios, the final drive ratio, the configuration of hookups to link the hybrid powertrain components to the planetary gear sets and the locations of clutch connections between different nodes of the planetary gear sets. The system modeling approach is first presented, including formulations for each component (the vehicle and road load, the engine, the motor/generators and the battery). A rapid and automated modeling procedure is proposed for hybrid electric vehicle transmissions including multiple planetary gear sets and clutch connections. Two algorithms are subsequently presented that enable fast evaluation of fuel economy and acceleration performance of hybrid electric vehicle transmission designs, namely the enhanced Power-Weighted Efficiency Analysis for Rapid Sizing and the Rapid Efficiency-based Launching Performance Analysis algorithms. The developed design methodology is tested by first modeling and evaluating three hybrid electric vehicle designs from the state-of-art. Later, an investigation for optimal designs that can ameliorate the examined benchmarks is performed. Several millions of design options are rapidly generated and tested using the proposed procedure. The methodology is proved effective by quickly coming up with two sub-optimal designs. Fuel economy and acceleration performance are improved by 5.56% and 40.56%, respectively, compared to the corresponding best benchmarks.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| 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 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 ».