MétaCan
Menu
Retour à la cohorte
Enregistrement W4287595676 · doi:10.1109/isie51582.2022.9831502

Loss Comparison of Electric Vehicle Fuel Cell Integration Methods

2022· article· en· W4287595676 sur OpenAlexaff
Yuheng Wang, Mehanathan Pathmanathan, Peter W. Lehn

Notice bibliographique

Revue2022 IEEE 31st International Symposium on Industrial Electronics (ISIE) · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueElectric and Hybrid Vehicle Technologies
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésDrivetrainInverterDual (grammatical number)Automotive engineeringHarmonicsDriving cycleVoltage source inverterVoltageElectric vehicleComputer sciencePower (physics)EngineeringElectrical engineeringTorquePhysics

Résumé

récupéré en direct d'OpenAlex

This study analyzes and compares the drivetrain losses of two methods of fuel cell integration in electric vehicles. The first is a conventional (boosted) two-stage system while the second is a dual inverter-based solution. Each source of drivetrain losses is described by mathematical equations and the impact of higher order harmonics are determined through circuit model simulation. The dual inverter system achieves an overall energy efficiency improvement of 2.21% and 4.72% for highway and urban drive cycles compared to the conventional method. The use of lower voltage rated power modules in the dual inverter system has significantly reduced the switching losses and improved the driving efficiency.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,072
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,292
Écart entre enseignants0,266 · 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 tête enseignante, pas un consensus.

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

Citations3
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2022 IEEE 31st International Symposium on Industrial Electronics (ISIE)Même sujetElectric and Hybrid Vehicle TechnologiesTravaux en français237 207