MétaCan
Menu
Retour à la cohorte
Enregistrement W4414671153 · doi:10.24012/dumf.1655409

An Investigation of Driver Brake Pedal Stroke Input on Regenerated Braking Energy in Electric Vehicles via Dynamic Programming

2025· article· en· W4414671153 sur OpenAlexaff
Nurettin Okan Çayci, Erkin Dinçmen, İlyas Istif

Notice bibliographique

RevueDÜMF Mühendislik Dergisi · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueElectric and Hybrid Vehicle Technologies
Établissements canadiensBombardier (Canada)
Organismes subventionnairesTürkiye Bilimsel ve Teknolojik Araştırma Kurumu
Mots-clésBrakeDynamic programmingEnergy (signal processing)Electric vehicleTorqueElectric motorRetarderTraction motorAxlePressing

Résumé

récupéré en direct d'OpenAlex

The rising popularity of electric vehicles increases the need for advanced techniques to improve driving efficiency. One such method is regenerative braking, which captures kinetic energy from the wheels—energy that would otherwise be lost as in traditional braking systems. In this study, a fully electric vehicle model which is three degrees of freedom was created with a fixed pedal-feel brake pedal and electric motors on both axles. The brake torque produced by pedal stroke input in different braking scenarios was allocated to the electric motors on the front and rear axles via dynamic programming in MATLAB/Simulink. It was compared to the case where the distribution ratio is fixed. More energy was gained with dynamic programming compared to the fixed allocation, and it is concluded that the duration of pressing the pedal and the repetition of pressing are effective parameters on energy recovery.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,430
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,219
Écart entre enseignants0,214 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDÜMF Mühendislik DergisiMême sujetElectric and Hybrid Vehicle TechnologiesTravaux en français237 207