Modeling, optimization and hardware-in-loop simulation of hybrid electric vehicles
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
This thesis investigates modeling and simulation of hybrid electric vehicles with particular emphasis on transient modeling and real-time simulation. Three different computer models, i.e. a steady state model, a fully-detailed transient model and a reduced-intensity transient model, are developed for a hybrid drive-train in this study. The steady-state model, which has low computational intensity, is used to determine the optimal battery size and chemistry for a plug-in hybrid drive-train. Simulation results using the developed steady state model show the merits of NiMH and Li-ion battery technologies. Based on the obtained results and the reducing cost of Li-ion batteries, this battery chemistry is used throughout this research. A fully-detailed transient model is developed to simulate the vehicle behaviour under different driving conditions. This model includes the dynamics of the power train components such as the engine, the power-electronic converters and vehicle controllers of all levels. The developed transient model produces an accurate representation of the drive-train including the switching behaviour of the power electronic converters. A reduced-intensity transient model (also referred to as a dynamic average model) is developed for real-time hardware-in-loop simulation of the vehicle. By reducing the computational demand of the detailed transient model using averaging techniques, the reduced-intensity model is implemented on a real-time simulator and is interfaced to an external subsystem such as an actual battery. The setup can be used to test existing and emerging battery technologies, which may not have an accurate mathematical model. Extensive tests are performed to verify the accuracy and validity of the results obtained from the developed hardware-in-loop simulation setup.
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