Supervisory Real-Time Multidomain Modeling and Hardware Emulation of Fuel-Cell Hybrid Electric Bus Behavioral Transients
Notice bibliographique
Résumé
Real-time device-level multi-domain emulation can provide an accurate insight into behavioral transients of the hydrogen fuel-cell hybrid electric bus (HEB). However, the conventional electromagnetic transient (EMT) simulation suffers from the computation burden caused by the complex multi-domain subsystems. This paper develops a hybrid recurrent neural network (RNN) and EMT method for device-level multi-domain emulation for fuel-cell and battery HEB. Two recurrent neural networks (RNN) are designed and trained to create device-level models of permanent magnet synchronous motor (PMSM) and the modular multilevel converter (MMC), respectively. The IGBTs’ behavioral transients and thermal performance are integrated into the RNN-based MMC model. Moreover, the EMT models represent the energy behaviour of onboard fuel-cell stacks and battery stacks. The proposed multi-domain hybrid models are implemented on the Xilinx Versal™ adaptive compute acceleration platform (ACAP), where multiple AI engines and the programmable logic deal with the RNN and EMT models, respectively. The real-time hardware emulation is carried out at the time-step of 0.1 μs for device-level transients. The results show that the hybrid model has 96.3% accuracy; furthermore, it significantly reduces the HEB emulation time compared to conventional EMT methods.
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 | 0,000 | 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 | 0,000 | 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 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 ».