Real-Time Torque-Distribution for Dual-Motor Off-Road Vehicle Using Machine Learning Approach
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
Recently, demand for electric vehicles (EVs) has increased significantly as people are becoming more conscious of the environment and the need to reduce carbon emissions. The introduction of multi-motor systems in EVs has brought new challenges in terms of energy efficiency and performance. This paper presents a Multi-Ensemble Learning (MEL)-based approach to design an Energy Management Strategy (EMS) for a Dual Motor Electric Vehicle (DMEV) where MEL is a new powerful Machine Learning approach implemented using Python programming language. To make our study concrete, we studied a real DMEV that is modeled using Energetic Macroscopic Representation and whose control is simulated using Matlab/Simulin <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">TM</sup> . The designed EMS aims to distribute the instant torque between the two electric motors in an efficient manner, with the objective of minimizing energy consumption as much as possible. Contrary to existing EMSs, an important advantage of our designed EMS is that it determines the instant torque distribution in real-time (while the vehicle is running), without knowing in advance how physical parameters (such as the speed and traction force) will evolve during the current trip. The real-time simulation is carried out under unknown driving cycles based on a validated numerical EV model with a significantly lower computational cost while achieving a high degree of accuracy in predicting and allocating torque, and a high degree of performance in terms of energy consumption.
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 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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