A multivariable output neural network approach for simulation of plug-in hybrid electric vehicle fuel consumption
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
This study is laser focused on the simulation of fuel consumption and fuel economy label parameters of plug-in hybrid electric vehicles. While fuel economy is a key factor in the design of plug-in hybrid electric vehicles, a fuel economy label can educate customers about the economic advantage of purchasing a particular car. The fuel economy label of a PHEV consists of parameters like driving range, electrical energy consumption, fuel economy for city, highway, and combined use, battery recharge time, and fuel consumption rates. The study used an inverse function model of an artificial neural network to simulate and calculate the parameters of the fuel economy labels of PHEVs. Firstly, the selected parameters of the fuel economy label of plug-in hybrid electric vehicles were used to develop a single output model. The output variable of the single output model was then merged with dummy functions to form input variables for the inverse function model. The output variables simulated were engine size in litres; estimated driving range when the battery is fully charged in km, battery recharged time in hours, city fuel consumption (L/100 km), highway fuel consumption (L/100 km), combined fuel consumption (L/100 km), estimated driving range when the tank is full, carbon dioxide (CO2) emission in grams/km, electric motor power in kW, number of cylinders, and electrical charges consumed in kWh/100 km. Different cases of input variables were considered for the inverse function model. The accuracy of the model was 29.1 times greater than that of the conventional inverse artificial neural network model.
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