Data-Driven Modeling and Simulation Approach for Energy Demand Prediction of Off-Road Electric Truck
Notice bibliographique
Résumé
As the adoption of electrical transportation continues to rise, understanding and addressing performance degradation becomes increasingly critical to ensuring reliability and efficiency. This paper proposes a data-driven modeling and simulation approach for off-road electric trucks (e-truck). It employs a comprehensive simulation framework incorporating vehicle dynamics, terrain variability, and operational conditions to predict energy consumption with high precision. The model includes representations of the control system, electrical motor, regenerative energy mechanisms, and vehicle dynamics. This approach links the e-truck physical modeling to the realistic input data such as road conditions, truck loading, and driving behavior to provide valuable insights into the realistic operational performance of the e-truck. The developed approach addresses two main simulation models. The first one is the Terra-mechanics model that is developed in the Vortex environment to estimate the e-truck rolling resistance for different soil types. The second is the energy model, which is designed in Maplesim to estimate the instantaneous power demand and the energy required to perform a mining cycle. In the specific mining case study, rolling resistance and e-truck loading are the top sensitive variables in the energy prediction model. The fully loaded e-truck consumes 52.5% energy more than the empty truck, on average with 5% rolling resistance. The estimated energy demand increases by 55.9% for each percentage increase of rolling resistance, on average with the maximum e-truck loading. Detailed route simulation and sensitivity analysis were reported.
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 | 0,000 |
| 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 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 ».