Simulation d’un véhicule électrique et son environnement pour étudier la consommation d’énergie sous différentes conditions climatiques
Bibliographic record
Abstract
Dans la littérature scientifique, la consommation d'énergie des véhicules électriques à batterie est généralement estimée en ne considérant que le sous-système de traction. De plus, cette approche ne peut pas prendre en compte tous les impacts des conditions climatiques sur la consommation (et sur l’autonomie). En effet, les conditions ambiantes ont un impact sur les performances des batteries Li-ion, sur la puissance nécessaire pour la traction et sur la consommation d'énergie du sous-système de confort. Le produit combiné de ces effets peut réduire considérablement l'autonomie de ces véhicules. Ce fait constitue une contrainte au développement des véhicules électriques sur le marché automobile, notamment dans des régions aux hivers très rigoureux (exemple du Canada). Dans ce cadre, une collaboration entre l'Université de Lille (France) et l'Université du Québec à Trois-Rivières (Canada) a été établie pour étudier, entre autres, l'impact des conditions climatiques sur la consommation d'énergie des véhicules électriques.L’objectif de cette thèse en cotutelle est de développer un outil de simulation flexible d’un véhicule électrique dans son environnement. L’outil doit permettre d’étudier les performances énergétiques de ces véhicules sur une large plage de conditions climatiques. Pour atteindre cet objectif, une interconnexion des modèles de différents domaines de la physique (électrique, mécanique et thermique) est réalisée, en suivant une approche systémique. Les modèles considérés correspondent aux sous-systèmes de traction, de confort thermique et de stockage (avec le chargeur de batteries). Le formalisme Représentation Énergétique Macroscopique est utilisé pour organiser et interconnecter de façon causale les modèles des différents sous-systèmes, ainsi que de l’environnement du véhicule. Les facteurs ambiants considérés dans l’outil sont la température, l’humidité relative et les conditions du ciel. De plus, la validité de l’outil est vérifiée avec des tests expérimentaux sur une voiture réelle entre -5 °C et 30 °C.La pertinence de l’outil est mise en évidence avec la réalisation de trois études sur la consommation d’énergie d’un véhicule électrique sous différents profils de conduite et conditions ambiantes. La première étude est l’estimation de l’impact énergétique individuel des conditions ambiantes considérées sur chaque sous-système d’un véhicule électrique. La deuxième étude est l’estimation de la variation annuelle de la consommation d’énergie dans un climat canadien. Enfin, la dernière étude est une évaluation des avantages énergétiques du préchauffage en hiver.
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) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".