MétaCan
Menu
Retour à la cohorte
Enregistrement W2971502107 · doi:10.1049/iet-est.2018.5097

ICE/HPM generator range extender for a series hybrid EV powertrain

2019· article· en· W2971502107 sur OpenAlexaff
Ahmad S. Al‐Adsani, Ali Milad Jarushi, Omid Beik

Notice bibliographique

RevueIET Electrical Systems in Transportation · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Battery Technologies Research
Établissements canadiensMagna International (Canada)
Organismes subventionnairesnon disponible
Mots-clésPrime moverAutomotive engineeringGenerator (circuit theory)Range (aeronautics)Battery (electricity)PowertrainBattery packHybrid powerAuxiliary power unitElectric generatorEngineeringRectifier (neural networks)Permanent magnet synchronous generatorPower (physics)Electrical engineeringMechanical engineeringComputer scienceTorqueMagnetAerospace engineeringVoltagePhysics

Résumé

récupéré en direct d'OpenAlex

This study discusses an optimised auxiliary power unit for applications in series hybrid electric vehicles (SHEVs). The auxiliary power source consists of an internal combustion engine (ICE) and a hybrid permanent magnet (HPM) generator. The ICE acts as a prime mover to the HPM generator the electrical output of which is connected to the vehicle DC‐link via a passive rectifier. The vehicle primary energy is supplied by a ZEBRA battery system while the ICE/HPM generator provides a range extension. The SHEV performance is evaluated over some driving cycles using performance indicators such as driving range, fuel consumption, emissions and, battery utilisation. A dynamic model of the ICE/HPM generator system is developed and a vehicle range, with consideration of the battery dynamics, is numerically evaluated via a simulation platform. The predicted results are compared with measurements from a laboratory prototype HPM generator system, which shows a good agreement hence validating the models and simulation platform.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,245
Écart entre enseignants0,233 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIET Electrical Systems in TransportationMême sujetAdvanced Battery Technologies ResearchTravaux en français237 207