Optimization of Powertrain Parameters of a Battery Electric Vehicle for Shuttle Service Usage
Notice bibliographique
Résumé
Although Electric Vehicles (EVs) had been used for transportation since the end of 19 th century, they were superseded by Internal Combustion Engine (ICE) propelled vehicles due to limited performance and low driving range problems.In the last 2 decades considering the performance advancements and price drop in the battery technology, EVs started to gain significant attention and usage.Furthermore, they have zero in use emissions, reducing the effects of fossil fuels in terms of air pollution and Global Warming (GW).However, compared to ICE propelled vehicles main drawbacks like low driving range and long charging durations limit the favourability of EVs.Considering special use cases such as shuttle services in specified areas, these drawbacks lose their importance.The proposed study involves, the selection design and optimization of an EV to be used in the American University of the Middle East (AUM) campus considering the main objective as to complete the daily tasks with a single charge during the night.A longitudinal vehicle model is generated for the EVs in MATLAB/Simulink, a benchmarking vehicle is selected using vehicle model outputs and parameter optimization for battery capacity and final drive ratio (FDR) is performed.The final design has 32.47 % less battery capacity, 1.94 % less vehicle weight and 7.901 seconds 0 -25 kph vehicle acceleration duration, 17.86 % less than the original selected configuration.The results of this study will serve as a valuable input for the autonomous driving car development project planned at AUM. .
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 | 0,001 |
| 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 ».