Optimal Sizing, Gear Ratios, and Shifting Schedule of Battery‐Electric Mining Haul Trucks to Enhance Energy Efficiency
Notice bibliographique
Résumé
At present, mining haul trucks (MHTs) directly deploy the on‐road heavy‐duty trucks’ battery‐electric powertrain, as they can cut down costs and emissions in mining. However, the operating patterns of MHT are different, e.g., ultraduty, low‐speed, and continuous road slopes, resulting in a mismatch between the dynamic and economic performance of mining required and the MHT achieved. The powertrain design and control influence the dynamic and economic performance, which can be quantitatively measured by top speed, gradeability, and energy consumption. This study uses an improved differential evolutionary algorithm to develop an integrated optimization platform to obtain the components sizing, gear ratio, and shifting schedule for the dedicated battery‐electric MHT. Mathematical models are established and validated using on‐site experiment data. An integrated optimization platform is initiated by concurrently formulating the motor sizing, gear ratio, and shifting schedule and solved by the improved differential evolutionary algorithm. Optimization results indicate that the economic performance is enhanced by 10.82%, 11.08%, 11.18%, and 11.20%, respectively, while maintaining or slightly improving the dynamic performance. Besides, the achievable maximum speed at the most common grade is boosted by 11.82%, 6.52%, 7.44%, and 6.52%, respectively. The study provides an approach to developing a battery‐electric powertrain for MHT.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».