Improving mission specific hybrid vehicle energy management control systems
Bibliographic record
Abstract
Avec l'apparition du réchauffement climatique et de la contribution des transports au problème, la consommation de carburant des véhicules légers est devenu un enjeu majeur. L'amélioration de la consommation de carburant est un aspect important qui a le potentiel de réduire considérablement les effets néfastes des véhicules légers sur l'environnement. Les véhicules hybrides offrent une solution potentielle pour améliorer la consommation de carburant des véhicules légers en combinant les avantages d'un véhicule électrique avec la capacité des véhicules traditionnels. Cette thèse explore les améliorations possibles de la consommation de carburant si un conducteur fournit des informations sur l'itinéraire à un véhicule hybride. Un algorithme de contrôle pour la gestion d'énergie basée sur une simulation (SBA) a été développé afin d'optimiser le temps, la couple et les consignes de vitesse nécessaires pour fournir suffisamment d'énergie pour terminer un cycle de conduite. Cet algorithme a été testé sur un modèle informatique de la Chevrolet Volt, un véhicule hybride en production. Les cycles de conduites utilisés pour tester l'algorithme étaient un mélange de cycles EPA standards et cycles réels. Les résultats démontrent que des améliorations de la consommation de carburant sont possibles en utilisant un tel algorithme. Les défis de mise en œuvre dans le monde réel sont également discutés. Les recherches menées dans cette thèse ont été réalisé à CrossChasm Technologies dans le cadre de la Bourse en Milieu Pratique (BMP) du Fonds de recherche du Québec - Nature et technologies (FQRNT).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".