Distance to empty soft sensor for ford escape electric vehicle
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Electric vehicle (EV) drivers require reliable distance to empty (DTE) indication to plan their trips. In the current study, feed forward neural networks based soft sensors were designed to accurately predict DTE in a Ford Escape EV. The proposed DTE soft sensors were trained on actual drive cycle data and rated DTE using Levenberg Marquardt, Bayesian Regularization and Scaled Conjugate Gradient algorithms. Regression models were also developed for comparisons. Primary results show that the Bayesian Regularization trained soft sensor network with eleven hidden layer neurons achieved the highest testing accuracy (99.64%) among the two layered networks, followed by the Levenberg Marquardt (two layered, eleven hidden layer neurons, testing accuracy 99.62%) and Scaled Conjugate Gradient trained networks (two layered, seven hidden layer neurons, testing accuracy 99.49%). The linear and non linear regression models attained 96.19% and 97.53% accuracies respectively. Deeper soft sensor networks yielded better prediction accuracies at higher computation times. The five layered Bayesian Regularization trained network (with ten neurons in each hidden layer) maximized DTE prediction accuracy to 99.89%, but at the cost of 1175% more training time as compared to the best performing two layered network soft sensor. An optimal choice of prediction accuracy considering reasonable computation timescales can help reduce range anxiety of EV users significantly.
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.
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 découle