Machine learning modeling for fuel cell-battery hybrid power system dynamics in a Toyota Mirai 2 vehicle under various drive cycles
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
• Measured fuel cell-battery hybrid power system dynamics in a Toyota Mirai 2 vehicle. • Data taken from Mirai CAN bus in chassis dynamometer tests for various drive cycles. • Designed machine learning architecutre to model real-time power dynamic attributes. • Included dynamic attriburtes of both fuel cell and lithium-ion battery pack. • Found the developed machine learning model accurately predict real-time dynamics. Electrification is considered essential for the decarbonization of mobility sector, and understanding and modeling the complex behavior of modern fuel cell-battery electric-electric hybrid power systems is challenging, especially for product development and diagnostics requiring quick turnaround and fast computation. In this study, a novel modeling approach is developed, utilizing supervised machine learning algorithms, to replicate the dynamic characteristics of the fuel cell-battery hybrid power system in a 2021 Toyota Mirai 2nd generation (Mirai 2) vehicle under various drive cycles. The entire data for this study is collected by instrumenting the Mirai vehicle with in-house data acquisition devices and tapping into the Mirai controller area network bus during chassis dynamometer tests. A multi-input - multi-output, feed-forward artificial neural network architecture is designed to predict not only the fuel cell attributes, such as average minimum cell voltage, coolant and cathode air outlet temperatures, but also the battery hybrid system attributes, including lithium-ion battery pack voltage and temperature with the help of 15 system operating parameters. Over 21,0000 data points on various drive cycles having combinations of transient and near steady-state driving conditions are collected, out of which around 15,000 points are used for training the network and 6,000 for the evaluation of the model performance. Various data filtration techniques and neural network calibration processes are explored to condition the data and understand the impact on model performance. The calibrated neural network accurately predicts the hybrid power system dynamics with an R-squared value greater than 0.98, demonstrating the potential of machine learning algorithms for system development and diagnostics.
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