Machine Translated by Google
Bài báo
Học máy dựa trên trí tuệ nhân tạo hướng tới
Giải pháp xe điện sử dụng pin nhiên liệu hydro thân thiện với khí hậu
Murphy M. Peksen
Trích dẫn: Peksen, Máy học dựa trên trí
tuệ nhân tạo MM hướng tới Giải pháp xe điện
sử dụng pin nhiên liệu hydro thân thiện với khí
hậu.
Xe 2022, 4, 663–680. https: // doi.org/
10.3390/vehicles4030038
Biên tập viên học thuật: Hongwen He và
Mohammed Chadli
Nhận: 24 tháng 4 năm 2022
Được chấp nhận: ngày 1 tháng 7 năm 2022
Xuất bản: 4 tháng 7 năm 2022
Lưu ý của nhà xuất bản: MDPI giữ thái độ trung
lập đối với các tuyên bố về thẩm quyền trong
các bản đồ đã xuất bản và mối quan hệ thể chế
các biểu tượng.
Bản quyền: © 2022 của tác giả.
Đơn vị được cấp phép MDPI, Basel, Thụy Sĩ.
Bài viết này là một bài viết truy cập mở
được phân phối theo các điều khoản và
điều kiện của Creative Commons
Giấy phép phân bổ (CC BY) (https: //
creativecommons.org/licenses/by/
4.0 /).
Xe 2022, 4, 663–
680. https://doi.org/10.3390/vehicles4030038
Giải pháp năng lượng đa ngành (MES), 52070 Aachen, Đức; m.peksen@multiphysicsenergysolutions.com
Tóm tắt: Việc chuyển đổi nhanh chóng các công nghệ hệ thống truyền động thông thường sang các phương tiện năng lượng
mới trung hòa với khí hậu đòi hỏi phải tăng cường điện khí hóa. Sự phổ biến của xe điện chạy bằng pin nhiên liệu với
khả năng tiết kiệm nhiên liệu được cải thiện đã gây được sự chú ý lớn trong nhiều năm. Việc sử dụng hydro xanh của họ
được đề xuất là một cách sạch đầy hứa hẹn để lấp đầy khoảng trống năng lượng và duy trì một hệ sinh thái không phát thải.
Kiến trúc phức tạp của chúng bị ảnh hưởng bởi các tương tác đa vật lý phức tạp, mô hình lái xe và
điều kiện môi trường đặt ra vô số yêu cầu năng lượng và điều kiện biên xung quanh các hệ thống phụ
của xe, bao gồm hệ thống pin nhiên liệu, động cơ điện, pin và chính chiếc xe. Hiểu được khả năng
tiết kiệm nhiên liệu tối ưu của nó đòi hỏi phải đánh giá một cách có hệ thống các tương tác này. Các
phương pháp học máy dựa trên trí tuệ nhân tạo là những công nghệ mới nổi cho thấy tiềm năng to lớn
trong việc phân tích dữ liệu tăng tốc và hỗ trợ hiểu biết thấu đáo về các hệ thống phức tạp . Nghiên
cứu hiện tại điều tra mức tiết kiệm nhiên liệu đạt đỉnh trong thời gian NEDC ở xe điện chạy bằng pin
nhiên liệu . Một cách tiếp cận sáng tạo kết hợp các phân tích đa vật lý truyền thống, thiết kế các
thí nghiệm và học máy là một sự kết hợp hiệu quả để cung cấp và phân tích dữ liệu tăng tốc, dự đoán
chính xác mức tiêu thụ nhiên liệu cao nhất trong xe điện chạy bằng pin nhiên liệu. Các mô hình được
đào tạo và xác nhận cho kết quả rất chính xác với sai số ít hơn 1%.
Từ khóa: AI; máy học; hệ sinh thái; xe điện pin nhiên liệu; điện khí hóa; hydro; tiết kiệm nhiên liệu; khí hậu trung
tính; hệ thống truyền lực; đa vật lý
1. Giới thiệu
Trên toàn cầu, các lĩnh vực công nghiệp khác nhau đã và đang hành động để giảm lượng khí
thải CO2 toàn cầu . Ngành công nghiệp vận tải và di chuyển đã đáp ứng điều này bằng cách tập
trung vào việc tăng cường điện khí hóa các phương tiện được gọi là phương tiện năng lượng
mới. Điều này đặc biệt áp dụng cho vận tải đường bộ, một trong những nguồn phát thải chính [1].
Chi tiết về những thách thức, công nghệ và chính sách đối với những nỗ lực này trong bối cảnh
rộng hơn đã được thảo luận trong một nghiên cứu trước đây [2]. Việc chuyển đổi nhanh chóng các
công nghệ hệ thống truyền động thông thường sang các phương tiện sử dụng năng lượng mới trung
hòa với khí hậu đòi hỏi sự gia tăng điện khí hóa các loại xe hạng nhẹ và hạng nặng. Điện khí
hóa trong di chuyển, phương tiện và giao thông nói chung là việc sử dụng năng lượng điện được
nâng cao và hàm ý của vô số công nghệ hybrid để hỗ trợ sản xuất và truyền tải điện thành công,
cũng như để đạt được vận hành hiệu quả của phương tiện. Tất cả các công nghệ xe điện chính
trong giao thông vận tải [3–
5], chẳng hạn như xe điện chạy bằng pin (BEV) [6–
8], xe điện pin
nhiên liệu (FCEV) [9–
12] và xe điện hỗn hợp pin nhiên liệu (FCHEV) [ 13–17] yêu cầu một nguồn
năng lượng được theo sau bởi một số điều hòa công suất, tức là chuyển đổi trước khi lực kéo
xảy ra. Nguồn gốc của nguồn năng lượng xác định lượng khí thải trong vòng đời của xe điện và
mối liên hệ với việc giảm thiểu biến đổi khí hậu [12,18–22]. Kết quả là, các lĩnh vực di chuyển
và vận tải đã được hướng tới việc sử dụng điện khí hóa được điều chỉnh bởi các nguồn năng
lượng sạch [2,23–29]; do đó, một sức mạnh đối với đường đi của xe như được làm sáng tỏ trong
Tham khảo. [2] đã được xem xét trong nghiên cứu hiện tại.
Loại quan điểm toàn cầu này cho phép liên kết nhịp nhàng giữa các lĩnh vực năng lượng,
khí hậu và vận tải. Bao gồm các giai đoạn tạo, phân phối và sử dụng hydro
https://www.mdpi.com/journal/vehicles
Machine Translated by Google

được chi phối bởi các nguồn năng lượng sạch [2,23–29]; do đó, một sức mạnh đối với đường đi của xe như được

làm sáng tỏ trong Tham khảo. [2] đã được xem xét trong nghiên cứu hiện tại.
Xe 2022, 4 664
Loại quan điểm toàn cầu này cho phép liên kết nhịp nhàng giữa các lĩnh vực năng lượng, khí hậu và vận

tải. Việc bao gồm các giai đoạn tạo, phân phối và sử dụng hydro là cơ sở hữu ích để hiểu được các tương tác

chiến lược phức tạp giữa các ngành và là cơ sở hữu ích để hiểu được các tương tác chiến lược phức tạp giữa
các ngành và
và các
nghệ công
khác nghệ
nhau khác
trong nhau
khi trong
thực hiệnkhi
cácthực hiện
nghiên các
cứu kỹnghiên
thuật.cứu
Nếukỹ thuật.
khái niệmNếu
chỉkhái
đượcniệm là giải quyết các công
áp dụng
được áp dụng cho chuỗi điện-sang-xe, giả định rằng phương tiện của người dùng cuối là pin nhiên liệu.

FCV),
xe tric
cảnh
(FCEV
quanhoặc
có thể
FCV),
được
cảnh
minh
quan
họa
có như
thể minh
được họa
minh
trong
họa trong
Hình 1.
Hình 1 (FCEV hoặc

Hình
Hình 1. Cảnh quan
1. Cảnh quantừtừnguồn
nguồn năng
năng lượng
lượng sạchsạch đếnđiện
đến xe xe chạy
điện bằng
chạypin
bằng pinliệu:
nhiên nhiênĐiện
liệu:
năngĐiện
được tạo ra bởi
các phương
erated tiện
bằng sạch được
phương phápxử sạch
lý thông
được quaxử
quálýtrình điện
thông phân
qua để tạo
điện phânra để
hydro
tạoxanh
ra và đượcxanh
hydro phân và
phối
phân
phối đến trạm
trạm tiếp nhiên nhiên liệu.
liệu. Xe điện Xe
chạyđiện
bằngpin
pin nhiên liệulàlàmộtmột
nhiên liệu hệ hệ thống
thống phức phức tạpgồm
tạp bao bao
vô gồm vô số
số đồng bộ.
các chất cấu thành.

Nguồn năng lượng chính của hydro được giả định là bắt nguồn từ việc tái sinh hoặc
Nguồn năng lượng chính của hydro được cho là bắt nguồn từ các phương tiện năng lượng thay thế có
thể tái tạo như năng lượng gió và PV. Điện được tạo ra là các phương tiện năng lượng thay thế chuyển đổi
như năng lượng gió và PV. Điện năng được tạo ra được chuyển giao bằng công nghệ lưới điện và có thể được
xử lý bằng cách sử dụng điện phân để mang lại sản lượng mong muốn
được chuyển bằng công nghệ lưới điện và có thể được xử lý bằng cách sử dụng điện phân để tạo ra khí hyđro
xanh trung tính CO2 như mong muốn. Hơn nữa, hydro được tạo ra có thể được lưu trữ trong chất lỏng hoặc
CO2 sang
đổi hiđrodạng
xanhchất
trung tính.
lỏng khácHơn nữa,
bằng cáchydro được hóa
quá trình tạo học
ra có thể được lưu trữ ở dạng khí nén lỏng hoặc chuyển
[24,30,31].
khí loại
vào nén tạo
chấtthành
lỏng hoặc
và vịchuyển đổi
trí hậu thành
cần, các
việc dạng
vận chất hydro
chuyển lỏng khác
sẽ bịbằng
kiệncác quá
bằng trình
các hóa pháp
phương học [24,30,31
như đườngTùy thuộc
ống
hoặc cơ sở vào
Tùy thuộc hạ tầng
loại khí
chấtđốt tự và
lỏng nhiên hiệnhậu
vị trí có cần,
hoặc việc
di dời
vậnvào
chuyển hydro là các xe kéo lớn với vận chuyển đường
biển
kiện để cuối
bằng cùng
các đượcpháp
phương giaonhư
với đường
số lượng
ống nhỏ
hoặchơn
cơ và
sở hạ tầng khí đốt tự nhiên hiện có hoặc di dời tôi xe moóc
địa phương đến các trạm nhiên liệu trong khu vực. Trước khi hydro có thể được giải phóng vào
rơ moóc lớn vận chuyển đường biển cuối cùng được giao với số lượng nhỏ hơn và xe định vị, áp suất tích trữ
của nó được giảm xuống thông qua van áp suất từ tầm cao đến tầm trung,
xe kéo đến các trạm tiếp nhiên liệu trong khu vực. Trước khi hydro có thể được giải phóng vào mạch và sử dụng
một bộ điều chỉnh áp suất để áp suất pin nhiên liệu có thể đáp ứng được. Cho đến nay,
cle, áp suất tích trữ của nó được giảm xuống thông qua một van áp suất từ mức cao đến mức trung bình, sự hiểu
biết về cách tiếp cận bể chứa đã được nâng cao.
sử dụng một bộ điều chỉnh áp suất để các pin nhiên liệu áp suất có thể đáp ứng được. Do đó fa Xe điện pin
nhiên liệu là một hệ thống phức tạp được điều khiển bởi các tương tác đa vật lý.
sự hiểu
Các biết
mô hình về xe
lái cách tiếp
khác cận
nhau vàgiếng-to-tank
các điều kiệnđãmôi
được nâng đòi
trường cao.hỏi vô số công suất Xe điện pin nhiên

liệu các
xung quanh là một hệ thống
hệ thống phụ phức tạp bao
của xe, được
gồmđiều khiển
cả pin bởi liệu
nhiên các ments tương tác đa vật lý và các điều kiện biên

hệ
Cácthống, động
kiểu lái cơ,
xe và pin
điều và môi
kiện chính chiếc
trường khácxe. Mỗi
nhau tạođơn vịsốđiều
ra vô khiểnr công
tín hiệu gửi và
suấtnhận
để mang lại một hệ thống
tổng
nhiệmthể
vụ hoạt độngkiện
và điều hiệubiên
quả.xung
Hệ thống
quanh pin
các nhiên liệuphụ
hệ thống bêncủa
trong
xe, xe
bao gồm fu bao gồm, ngoài các thành phần ngăn
xếp, các thành phần phụ, tức là, cái gọi là
hệ thống tế bào, động cơ, pin và chính chiếc xe. Mỗi đơn vị kiểm soát gửi và phải thu Số dư của Nhà máy
(BoP). Điều này phân bổ không khí, hydro, làm mát và phân phối điện
tín hiệu để mang lại một hệ thống tổng thể hoạt động hiệu quả. Hệ thống pin nhiên liệu bên trong hệ thống veh.
Nhu cầu năng lượng tức thời từ đầu vào trình điều khiển được đánh giá bởi nhiên liệu
cle bao gồm, ngoài các thành phần ngăn xếp, các thành phần phụ trợ, tức là s
Machine Translated by Google
Xe 2022, 4, ĐỂ ĐÁNH GIÁ PEER

Xe 2022, 4 665
được gọi là Cân bằng thực vật (BoP). Điều này phân bổ các hệ thống bution phân bổ không khí, hydro, làm mát và

năng lượng. Nhu cầu năng lượng tức thời từ đầu vào trình điều khiển được đánh giá b khối điều khiển pin nhiên
liệu và được chuyển đổi thành nhu cầu hiện tại để xác định khối lượng điều khiển pin dòng điện bao nhiêu và
được chuyển đổi thành nhu cầu hiện tại để xác định dòng điện được rút ra là bao nhiêu.

được liệu.
nhiên rút raBộtừđiều
pin khiển
so vớicục
ngăn
bộ xếp
yêu pin
cầu nhiên liệu. Bộ điều khiển cục bộ yêu cầu chuyển từ pin sang ngăn xếp pin
dịch những
trễ các
lệnh tín định
để xác hiệu các
này yêu
thành
cầulệnh xác định
về hydro các yêu
và không cầuMột
khí. về pin
hydro và không
nhiên khí. hình
liệu điển Một tín hiệu điển hình thành một

Hình 2 .
cấu hình xe như Hyundai Nexo có sẵn trên thị trường được minh họa trong
được đánh dấu trong Hình 2.

hình
Hình xe
2. điện
Cấu hình
pin nhiên
xe điện
liệu
pinđiển
nhiên
hình:
liệuHyundai
điển hình:
Nexo Hyundai
là 135 kW
Nexo
hoàn
là toàn
135 kW hoàn toàn Hình 2. Cấu
điện
Bản vẽ
pinnền
nhiên
xe điện
liệu pin
chuyên
nhiên
dụng
liệu
40 (FCEV)
k (FCEV)
icated
vẽ 9595kWkWtừtừngăn
ngănxếp
xếppin
pinnhiên
nhiênliệu
liệuvàvà40nền
kW tảng xe
từ pin lithium-ion
lithium-ion polymer polymer
1,56 kW 1,56
· h,kW · volt
240 h, 240
để volt để vận
vận hành mộthành
nam một
châmmagn
vĩnhvĩnh
cửu cửu
120 120
kW kW từ pin
động cơ.
tính. Ba phần
Ba miếng 700-bar
700-bar 52 52
mỗimỗi thùng
thùng chứa
chứa H2 H2 được
được sử sử dụng
dụng để để tạolại
mang ra phạm
một mô-tơ
vi láitruyền động
xe ước ước
tính
là 380
là 380 dặm
dặm và
và xếp
xếp hạng
hạng MPGe
MPGe thành
thành phố
phố // hwy
hwy // kết
kết hợp
hợp EPA
EPA là
là 65/58/61 theo Hyundai.

Tất cả các hệ thống và thành phần bên trong kiến trúc xe này hoạt động cùng nhau khi
Tất cả các hệ thống và thành phần bên trong kiến trúc xe này đều hoạt động để tạo ra các quá trình như
dòng chất lỏng nhiệt, điện hóa và cơ nhiệt rất chặt chẽ.
nơi kết hợp các quá trình như dòng chất lỏng nhiệt, điện hóa và cơ nhiệt . Do đó, đầu vào bên ngoài không chỉ
ảnh hưởng đến hoạt động của hệ thống pin nhiên liệu,
kết hợp chặt chẽ với nhau. Do đó, đầu vào bên ngoài không chỉ ảnh hưởng đến hoạt động của ce nhiên liệu mà bản
thân hoạt động của hệ thống pin nhiên liệu cũng ảnh hưởng đến hiệu suất của hệ thống truyền lực. Trong
hệ thống, nhưng bản thân hành vi của hệ thống pin nhiên liệu cũng ảnh hưởng đến thứ tự hoạt động của hệ thống
truyền lực để xem xét những tương tác này và hỗ trợ hiệu suất của xe chạy bằng pin nhiên liệu hiệu quả, a
mance.
đáo Để vật
về đa xem lý
xétphức
những tương
tạp. tác nàyđavàvật
Nói chung, hỗ lý
trợ xe chạy pin nhiên liệu hiệu quả , cần phải có sự hiểu biết thấu

mance,hiện
nhiều cần tượng
có sự hiểu
tươngbiết
tác thấu đáo một
bao gồm về các phép đa vật lý phức tạp. Trong chi được mô tả là khoa học nghiên cứu

phạm vi lý
đa vật củađược
các trường
mô tả làvậtkhoa
lý [32]. Phươngcứu
học nghiên pháp số là
nhiều nềntượng
hiện tảng thiết
tươngyếu tácđểđồng
dự đoán
nghĩa với
hành vi đa vật lý của các hệ thống kỹ thuật phức tạp tương tác [33– 44]. Tuy nhiên,
tạo ra một loạt các lĩnh vực vật lý [32]. Phương pháp số là nền tảng cần thiết để nắm bắt các chi tiết khác
nhau và sử dụng mô phỏng như một công cụ thiết kế và tối ưu hóa, một cách cẩn thận
để dự đoán hành vi đa vật lý của việc tương tác với khung mô hình syste kỹ thuật phức tạp cần phải được thiết
lập. Có nhiều phương pháp và quy trình làm việc khác nhau
[33–44]. Tuy nhiên, để nắm bắt các chi tiết khác nhau và sử dụng mô phỏng như một thiết kế và tối ưu hóa trong
lĩnh vực mô hình hóa và mô phỏng để tiếp cận loại ứng dụng phức tạp này.
công cụ sation, một khuôn khổ mô hình hóa cẩn thận cần được thiết lập. Có nhiều phương pháp thống
kê theo nguyên tắc thứ nhất, theo hướng dữ liệu [45–52] hoặc các phương pháp đa dạng 3D CFD / FEM và
quy trình làm việc có độ trung thực cao trong lĩnh vực mô hình và mô phỏng để tiếp cận các phân tích
vật lý mẹo nhỏ này [53–60] bao gồm thông tin chi tiết về quy trình, thiết kế và vật liệu
của vài
một ứng trong
dụng phức tạp.
số rất Nguyên
nhiều lựa tắc thứCác
chọn. nhất,
loạiphương
xe điệnpháp
chạythống
bằng kê
pintheo hướng
nhiên liệudữ liệu
hiện [45–
nay 52] hoặc
nhiều hơn cao hơn là
độ trung
tích trướcthực
đó 3D
củaphân tích
chúng. Dođa vật
đó, lýtiêu
với CFD / FEM [53–
chuẩn tiết60] baonhiên
kiệm gồm thông tin chi
liệu ngày càngtiết về hiệu quả pr so với các phân
tăng,

tiết
giá, kiệm
kiểu nhiên
dáng vàliệu
vật hoặc tiêu
liệu là mộtthụ
vàiđiện năng
trong vẫn nhiều
số rất là một thách
lựa chọn.thức
Các lớn
côngđối
nghệvới
ce các loại
nhiên xehiện
liệu mới tại
nổi . Điều
này bổ sung
xe điện hiệuthêm
quả nhiều tham so
hơn nhiều số với
và độ phứcngười
những tạp cho đa nhiệm.
tiền vật lý Như
đã phát
vậy,triển
với i mô hình. Việc xử lý những sự phức tạp
này đã được cải thiện kể từ khi các phương pháp số,
Việc giảm bớt các tiêu chuẩn về hiệu suất nhiên liệu, tiết kiệm nhiên liệu hoặc tiêu thụ điện năng vẫn chỉ là
phần mềm, và sự phát triển của máy tính phần cứng vẫn đang tiến triển. Tuy nhiên,
thách thức lớn đối với các công nghệ xe mới nổi. Điều này bổ sung thêm nhiều tham số và quy trình làm việc mô
hình hóa tổng thể đã chứng kiến nhiều phát triển đáng kể. Hiện tại
sự phức tạp đối với các mô hình đa vật lý đã phát triển. Việc xử lý những phức tạp này h nghiên cứu đề xuất sự
kết hợp có hệ thống và sử dụng hiệu quả mô phỏng đa vật lý,
đã được cải thiện kể từ khi các phương pháp số, phần mềm và phần cứng máy tính phát triển công nghệ máy học
dựa trên AI và thiết kế các thử nghiệm để dự đoán hiệu quả các đỉnh
ments
vi tiêuđãthụ
được tiến
nhiên triển.
liệu Tuyđiện
của xe nhiên,
chạyquy trình
bằng pin làm việc
nhiên mô hình hóa tổng thể đã có nhân chứng quan sát thấy hành
liệu
nhiềucận
tiếp bước
kết phát triển kỳ
hợp được đáng kể.sẽ
vọng Nghiên
mở racứu
mộtnày đềcảnh
viễn xuất một hệ thống các điều kiện lái xe thực tế tổ hợp. Cách

thu
và sử
thập
dụng
và hiệu
xử lýquả
dữ mô
liệu
phỏng
lớn đa
thông
vật qua
lý, bền
máy vững
học dựa trên AI và thiết kế cho các nghiên cứu trong tương lai về

sử
các dụng thiếtđể kế
thí nghiệm thống
dự đoán kêquả
hiệu của
cáccác
đỉnhthí
quannghiệm,
sát được mô phỏng
trong phépcụ tính
các công toán
dự đoán đa hành
mới về nhânvi và
tiêu thụ
nhiên liệu dựa trên máy học và AI. Mô hình được đào tạo đã là một
của xe điện chạy bằng pin nhiên liệu hoạt động trong điều kiện lái xe ngoài đời thực. Cách tiếp cận kết hợp được

kỳ vọng sẽ mở ra một viễn cảnh cho nghiên cứu trong tương lai về việc thu thập, xử lý dữ liệu lớn thông qua

việc sử dụng bền vững thiết kế thống kê của các thí nghiệm, mô phỏng đa vật lý đồng bộ và các công cụ dự đoán

mới dựa trên machi

Machine Translated by Google

Xe 2022, 4, ĐỂ ĐÁNH GIÁ PEER 4

Xe 2022, 4 666

học tập và AI. Mô hình được đào tạo đã là một công cụ hiệu quả để theo đuổi các khía cạnh khác nhau là công
cụ
củahiệu quả chạy
xe điện để theo
bằng đuổi các khía
pin nhiên liệu.cạnh khác làm
Quy trình nhauviệc
củacủa
xe phương
điện chạy
phápbằng pin nhiên
hệ thống liệu.
được sử dụng Quy trình
trong làmpháp
phương việctiếp
của

cận hệ thống
nghiên hiệnthể
cứu được tạihiện
được sử dụng
trong Hình trong
3. nghiên cứu hiện tại này được thể hiện trong Hình 3.

Hình
Hình 3.
3.Quy
Quytrình
trìnhlàm
làmviệc
việcphức
phứctạp
tạpđược sử sử
được dụng: CácCác
dụng: mô mô
hình phụcon
hình củacủa
thành phần
thành hệ thống
phần truyền
hệ thống lực lực
truyền và chu trình
và dữ dẫnchu
liệu động

dữ liệu
trình đượcđộng
truyền thựcđược
hiện thực
tronghiện
một trong
mô hình
mộtđamôvật lý đa
hình đầyvật
đủ lý
và đầy
được
đủ phân tích phân
và được một cách
tích có
mộthệcách
thống
có bằng DoE. bằng
hệ thống Kết quả
DoE. Các
được
với nềnchia
tảngsẻmáy
vớihọc
nềndựa
tảng máyAIhọc
trên để dựa
pháttrên AI để
triển, đàophát
tạo triển, đào tạo
và sử dụng một và sử cụ
công dụng
để một công cụ để kết quả được chia sẻ
dự đoán nền kinh tế nhiên liệu tăng tốc.
dự đoán nền kinh tế nhiên liệu tăng tốc.

2.
2.Phương
Phươngpháp mô mô
pháp phỏng Multiphysics
phỏng Multiphysics

Vai
Vai trò
trò quan
quan trọng
trọng của
của từng
từng thành
thành phần
phần hệ
hệ thống
thống truyền
truyền lực,
lực, sự
sự tương
tương tác
tác của chúngbổvàcủa
và phân sự chúng
phân bổ trong
trong
thiết
thiết kế
kế của
của hệ
hệ thống
thống pin
pin nhiên
nhiên liệu
liệu xe
xe điện
điện đã
đã được
được mô
mô tả
tả ngắn
ngắn gọn
gọn trong
trong phần
phần trước
trước . Điều tra và tìm
hiểu hành điều
sự. Việc vi vận
trahành tối ưu
và hiểu củahành
được pin vi
nhiên
lái liệu
xe tối ưu của một chiếc xe điện chạy bằng pin nhiên liệu đòi hỏi
phải có cầu
xe yêu kiếnkiến
thứcthức
về mức tiêutiêu
về mức thụ thụ
điệnđiện
năngnăng
và mức công suất
và công suất cực
cao đại
nhấttrong
trongquá
thời gianlái xe tập trung góp
trình
phần tuân vào
góp phần thủ việc
các quy
tuânđịnh
thủ nghiêm
các quyngặt
địnhvềnghiêm
tiết kiệm
ngặt nhiên liệu
về tiết và nhiên
kiệm sạch sẽ
liệu và môi trường trong sạch. Biểu
thức được sử dụng tối ưu cho loại hệ thống đa vật lý phức tạp này
vironment. Biểu thức được sử dụng tối ưu cho loại hệ thống đa vật lý phức tạp này có thể được giải thích
theo cách mà một hoặc nhiều tính năng hiệu suất được cải thiện
có thể được hiểu theo cách mà một hoặc nhiều tính năng hoạt động ở trạng thái im được chứng minh.
tiểu bang.

Tuy nhiên, về mặt kỹ thuật, nó có thể được coi là một quá trình ra quyết định, tức là người ta chọn
Tuy nhiên, về mặt kỹ thuật, nó có thể được coi là một quá trình ra quyết định, tức là người ta lựa
chọn phương án chức năng thích hợp trong số nhiều phương án thay thế khác. Hệ thống được tối ưu hóa
tùy chọn chức năng thích hợp trong số nhiều lựa chọn thay thế khác. Hệ thống được tối ưu hóa đòi hỏi trí
tuệ tập thể về cấu hình xe và hệ thống truyền động.
đòi hỏi trí tuệ tập thể về cấu hình xe và hệ thống truyền động để hiệu quả hơn và nâng cao hiệu suất của
tổng thể xe điện chạy bằng pin nhiên liệu.
hiệu quả hơn và để nâng cao hiệu suất của tổng thể xe điện chạy bằng pin nhiên liệu. Ngay cả khi xe điện
không đốt trực tiếp nhiên liệu, chúng vẫn tiêu thụ năng lượng, và
mặc dù xe điện không trực tiếp đốt nhiên liệu nhưng chúng vẫn tiêu thụ năng lượng và các biện pháp tương
đương được áp dụng để dự đoán hiệu suất của chúng nhằm mục đích so sánh
Do đó, các biện pháp được áp dụng để dự đoán hiệu suất của chúng cho các mục đích so sánh và để hiểu tiềm
năng cải tiến của chúng. Qua đó, một số yếu tố được biết đến để đóng vai trò
hiểu tiềm năng cải tiến của họ. Qua đó, một số yếu tố được biết là có vai trò nổi bật hơn. Ví dụ, cấu hình
thiết kế xe bao gồm hệ thống lái của nó
vai trò nổi bật. Ví dụ, cấu hình thiết kế xe bao gồm khả năng chống tái lái xe của nó với các yếu tố cấu
thành như kích thước và khung xe, lăn bánh và khí động học
khả năng chống chịu với các thành phần như kích thước xe và khung gầm, lăn bánh và các đặc tính khí động
học trở lại hoặc phụ trợ là những yếu tố thiết kế ảnh hưởng đến mức tiêu thụ năng lượng. Trong
đặc tính điện trở hoặc chất trợ là các yếu tố thiết kế ảnh hưởng đến mức tiêu thụ năng lượng. Ngoài những
yếu tố đó, cấu hình và đặc tính của hệ thống truyền lực cũng ảnh hưởng đến
Ngoài những yếu tố đó, cấu hình và đặc tính của hệ thống truyền lực cũng ảnh hưởng đến hiệu suất. Trong các
loại xe điện chạy bằng pin nhiên liệu bao gồm một pin dự trữ và một hệ thống pin nhiên liệu
màn biểu diễn. Trong các loại xe điện chạy bằng pin nhiên liệu bao gồm pin lưu trữ và hệ thống pin nhiên
liệu để thúc đẩy động cơ điện, một số tính năng sẽ đặc biệt được quan tâm hơn. Trong
để thúc đẩy một động cơ điện, một số tính năng sẽ đặc biệt được quan tâm thêm. phần này, mô hình đa vật lý
đã được sử dụng một cách hiệu quả để nghiên cứu và hiểu rõ về nhiên liệu
Trong phần này, mô hình đa vật lý đã được sử dụng một cách hiệu quả để nghiên cứu và hiểu về nền kinh tế
nhiên liệu .
nền kinh tế.

2.1. Mô hình mô phỏng đa vật lý

Mô hình đa vật lý đã sử dụng của xe điện pin nhiên liệu được trình bày dưới dạng mô hình chung

mô hình hệ thống động và nhúng với các miền thời gian rời rạc và liên tục đang chạy
trên các nền tảng như GNU Octave và Scilab. Mô hình có pin nhiên liệu điển hình điện
 ..
Machine Translated by Google
Mô hình đa vật lý đã sử dụng của xe điện pin nhiên liệu được trình bày dưới dạng mô hình hệ

thống nhúng và động với thời gian rời rạc và liên tục trên các nền tảng như GNU Octave và Scilab. Mô

hình này có các bộ phận cấu thành xe điện điển hình, bao gồm các hệ thống phụ của hệ thống truyền lực
Xe 2022, 4 667
gồm pin nhiên liệu PEM, bộ lưu trữ pin, động cơ điện, bộ quản lý nhiệt và bộ điều khiển, cũng như

các thông số thuộc tính, trình điều khiển và môi trường. Tế bào nhiên liệu và pin là các bộ phận cấu

thành của xe, bao gồm các hệ thống phụ của hệ thống truyền lực của pin nhiên liệu PEM, Pin Li-Ion
động cơ lý
quản điện với và
nhiệt mạng
bộ điện. Các thuộc
điều khiển, cũngtính
như này
các là bộ lưu
thuộc tínhtrữ
củabên
xe,trong được nhúng , động cơ điện, bộ
trình
các điều bao
đại diện khiển và ví
gồm, cácdụ,
thông
bên số môikhối
trong trường.
trìnhPin nhiên
điều liệu
khiển độngvàcơpin
datđược liên kết
chu trình lái với
với điện
một mạng
điện. Các thuộc tính này được nhúng bên trong các biểu diễn khối
khối điều khiển, nó bao gồm các thuộc tính như hệ thống điều khiển pin nhiên liệu, vỏ bọc pin, ví dụ,
bên trong khối trình điều khiển dữ liệu chu trình lái xe hoặc trong điều khiển
hệ thống ment, phanh và kết nối bộ điều khiển xe giám sát khối xe, nó bao gồm các thuộc tính như hệ
thống điều khiển pin nhiên liệu, hệ thống quản lý pin,
giới
kếthạn
nốimô-men xoắn,
bộ điều v.v.
khiển xe Tỷ số sát
giám hòa tốc
giữađộpin
xe,vàgiới
pin hạn
nhiên liệuxoắn,
mô-men được quy định trong phanh thứ, và các

và nhiên
mô tả liệu
khả năng
được phục
điều hồi
chỉnh
điện
theo
trởcách
lại này
pin.vàMột
mô nhiệt
tả độ đơn giản , v.v. Tỷ lệ hòa giữa pin và pin
phục hồi năng lượng cung cấp trở lại pin. Một mô hình nhiệt lỏng đơn giản được sử dụng để
Mô hình được sử dụng để điều chỉnh nhiệt độ của pin, động cơ điện, và auxi điều chỉnh nhiệt độ của
pin, động cơ điện và phụ trợ. Mô hình đã được sử dụng
Mô hình được sử dụng để tính toán và ước tính dòng pin và pin nhiên liệu, để tính toán và ước tính
dòng pin và pin nhiên liệu, SOC của pin và dự đoán
pin, và dự
nhiên đoán
liệu mứcbằng
tính tiếtL kiệm
/ 100nhiên liệu khi
km trong tínhmôbằng L / biệt
tả đặc 100 km
cáctrong
đỉnh.khi mô tả
Thiết lậpcụmôthể mứccơtiết
hình bản kiệm
là
minhlập
Thiết họamôtrong
hình Hình
cơ bản4.được minh họa trong Hình 4.

Hình
nhiên
4. Mô
liệu:
hìnhMôxehình
điệnxem
sử xét
dụngmột
pinkiến
nhiên
trúc
liệu:
vật Mô
lý hình
đa ghép
coi phức
là một
hợpbộbao
ghép
gồmphức
các tạp
thamHình
số của
4. Mô
người
hình lái,
xe điện
bộ điều
sử dụng
khiển
pinvà

phương
kiến tiện. Dự đoán
trúc tiphysics của các tham số của trình điều khiển, thiết bị điều khiển và phương tiện. Mối quan tâm dự đoán là
bao gồm

lãitiết
suấtkiệm nhiênkiệm
là tiết liệu.
nhiên liệu.

Hành vi lái xe được xác định bởi chu kỳ truyền động cũng đóng một vai trò quan trọng trong
việc hiểuvi
Hành lái về
biết xe khả
được xáctiết
năng địnhkiệm
bởi nhiên
các chu kỳcủa
liệu truyền động cũng
xe, được thực đóng
hiện vai tròmôquan
trong trọng
hình. Một trong
hiểu
láiđược
xe tiêu
khả chuẩn
năng tiết
bao gồm
kiệmmột
nhiên
hồ sơ
liệu
về của
vận phương
tốc / thời
tiệngian
đượccông
thựcsuất,
hiện mô
trong
tả các
mô hình. Một chu kỳ
môkỳ
chu hình lái
lái xexe củabao
ard mộtgồm
chiếc
một xe
hồ tại
sơ một khu tốc
về vận vực /nhất
thờiđịnh trong
gian côngđiều kiện
suất, mô thực tế và
tả điển thường
hình đượclàthử
nghiệm bằng thực nghiệm trên một lực kế khung xe. Các đặc điểm điển hình như thời lượng,
Mô hình của một chiếc xe tại một khu vực nhất định trong điều kiện thực tế và thường là trung bình,
và tốc độ hoặc khoảng cách tối đa đã được xem xét. Hiện nay, được sử dụng nhiều nhất
thực nghiệm trên một lực kế khung xe. Các đặc điểm điển hình như chu kỳ lái xe tiêu chuẩn kéo dài
bao gồm Chu kỳ lái xe châu Âu mới (NEDC), tuổi Ánh sáng của Trung Quốc và tốc độ hoặc khoảng cách
tối đa đãđôđược
lượng thị xem xét.
(UDDS) Hiệnsửtại,
được dụngChu kỳ kiểm
nhiều nhất.tra
Cácxe công vụ (CLTC) và Lịch trình lái xe đo lực
“Chu
chu kỳ trình
lái xe lái xe Châu
bao gồm Âu lái
Chu kỳ mới”
xe (NEDC)
châu Âu [61] là chuLiên
mới (NEDC), trình lái
minh xe xe
hơido Châu
hạng nhẹÂu quy Quốc
Trung địnhcho
việc sử dụng ô tô thông thường ở châu Âu, với các giá trị đo được cho nhiên liệu hoặc công suất
cle Chu kỳ Kiểm tra (CLTC), và Lịch trình Lái xe Công tơ mét đô thị (UDDS). Mức tiêu thụ và phạm vi
lái của các loại xe cho phép so sánh. Từ năm 2017 đến năm 2018,
Chu trình lái xe Châu Âu ”(NEDC) [61] là chu trình lái xe do Châu Âu quy định. WLTP (Quy trình kiểm
tra xe hạng nhẹ hài hòa trên toàn thế giới) là sự kế thừa của
ion cho mục
NEDC. Tuy đích sử giới
nhiên, dụng hạn
ô tô thông
tiêu thụthường
đội tàuở của
ChâuEUÂu,
có với
liêncác giáđến
quan trịNEDC
đo được
kể từ cho
khi nhiên liệu hoặc
mức
tại
tiêu
coithụ
NEDC
vàlà
phạm
mộtvi
chu
lái
trình
của các
lái loại
xe đểxe
môcho
phỏng
phép
nhiên
so sánh.
liệu Từ 2017 t 2020; do đó, nghiên cứu hiện
nền(Quy
WLTP kinhtrình
tế và mứctra
kiểm cao
xe nhất
hạng của mẫu hòa
nhẹ hài xe điện chạy thế
trên toàn bằng pin là
giới) nhiên liệu.
thành công Chu kỳbản
về cơ xem
bốnxét
chu kỳ
lái xe trong đô thị được lặp lại mà không bị gián đoạn, nhằm mục đích thể hiện mức thấp
NEDC. Tuy nhiên, giới hạn tiêu thụ của đội xe EU có liên quan đến tốc độ xe NED và tải trọng động cơ
đạt tối đa 50 km / h. Thời lượng của phần này
Năm 2020; do đó, nghiên cứu hiện tại coi NEDC là một chu kỳ lái xe để mô phỏng t kéo dài trong 4 × 195 s,
dẫn đến tổng cộng là 780 s và quãng đường 4054 km. Điều này được theo sau
nền kinh
khúc tếxe
lái vàngoài
mức cao
đô nhất của mẫu
thị tích cực xe
hơnđiện chạy
để bắt bằng các
chước pin chế
nhiên
độ liệu.
lái xeVòng
tốc quay hợp tác với một phân
độ cao

về đạt cực bốn

cơ bản đạichu
120kỳ
km lái
/ h,
xe tương đương
trong đô 33,3lại
thị lặp m /
mà s. Phânbịđoạn
không giánnày kéonhằm
đoạn, dài mục
khoảng
đích 400
quaygiây
lại và đề
cập đến 6955 km. Tốc độ trung bình cho bốn phân đoạn đầu tiên đạt xấp xỉ
tốc độ xe và tải động cơ đạt tối đa 50 km / h. Khoảng thời gian t 18,7 km / h, trong khi đoạn cuối
hung hãn hơn tiến gần 400 s và đạt
kéo dài trong 4 × 195 s, tạo ra tổng cộng 780 s và quãng đường 4054 km. Đây là tốc độ trung bình của
follo khoảng 62,6 km / h. Các đường cong chu kỳ lái xe được thực hiện xem xét
một
vàphân đoạn lái
các đường xe gia
cong ngoài
tốcđôtương
thị tích cựcđược
đương hơn để bắthọa
minh chước lái
trong xe 5.
Hình tốc độ cao với tốc độ cao

đạt cực đại 120 km / h, tương đương 33,3 m / s. Đoạn đường này kéo dài khoảng 6955 km. Tốc độ trung

bình của bốn đoạn đầu tiên đạt khoảng 18,7 km / h, trong khi đoạn cuối hung hãn hơn đạt 400 s và tốc

độ trung bình khoảng 62,6 km / h. Các đường cong chu kỳ lái xe được thực hiện bao gồm các đường

cong tốc độ và gia tốc tương đương được minh họa trong Hình 5.
Machine Translated by Google

Xe 2022, 4, ĐỂ ĐÁNH GIÁ PEER

Xe 2022, 4 6 668

HìnhHình
5. Chu trình
5. Chu lái lái
trình xe NEDC điểnđiển
xe NEDC hìnhhình
được sử dụng
được trong
sử dụng nghiên
trong cứu:cứu:
nghiên Chu Chu
trình lái lái
trình xe xem xét xét
xe xem là 1180 s. s.
là 1180

2.2.2.2. Nghiên
Nghiên cứusốtham
cứu tham số thiết
sử dụng sử dụng thiết
kế thí kế (DoE)
nghiệm thí nghiệm (DoE)

Một Một nghiên

nghiên cứu số
cứu tham tham số thống
có hệ có hệđãthống
được đã
sử được
dụng đểsửdựdụng
đoán để
ảnhdự đoán của
hưởng tácmột
động của một
số thông số hành
số vận
và thiết kế quan trọng đối với khả năng tiết kiệm nhiên liệu. Nghiên cứu tham số được thực hiện bằng cách sử dụng
các thông số thiết kế và tiết kiệm nhiên liệu. Nghiên cứu tham số được thực hiện bằng mô hình đa vật lý được
sử dụng làm nguồn dữ liệu để phát triển Trí tuệ nhân tạo (AI)
mô hình đa vật lý được sử dụng làm nguồn dữ liệu để phát triển mô hình học máy dựa trên Trí tuệ nhân tạo được
đào tạo và sử dụng để dự đoán hiệu quả hiệu suất
Mô hình học máy dựa trên (AI) sẽ được đào tạo và sử dụng để dự đoán hiệu quả mỗi đỉnh của xe điện chạy bằng
pin nhiên liệu trong quá trình lái xe. Thủ tục cho phép hiệu quả
hình thức cao nhất của xe điện pin nhiên liệu trong quá trình lái xe. Quy trình này cho phép sử dụng kết hợp
giữa mô phỏng đa vật lý với thiết kế thống kê của các thí nghiệm và hiện đại
kết hợp hiệu quả việc sử dụng mô phỏng đa vật lý với thiết kế thống kê các khả năng của thí nghiệm
AI. Đối với mục đích trình diễn, các thông số tiềm năng đã được điều tra
và khả năng AI hiện đại. Đối với mục đích trình diễn, các tham số tiềm năng được sử dụng mô hình đa vật lý đã
giới thiệu. Đỉnh công suất trong nền kinh tế nhiên liệu đã được nghiên cứu
xác định bằng cách sử dụng mô hình đa vật lý đã giới thiệu. Đỉnh cao sức mạnh trong nền kinh tế nhiên liệu liên
quan đến sự phụ thuộc của nó vào ba yếu tố, mỗi yếu tố được đặt ở ba cấp độ. Trong bối cảnh này, thuật ngữ
đã được nghiên cứu về sự phụ thuộc của nó vào ba yếu tố, mỗi yếu tố được đặt ở ba cấp độ. Trong
hệ số này là một biến, và đầu ra là số dự đoán trung bình của công suất
ngữ cảnh, yếu tố kỳ hạn là một biến và đầu ra là dự đoán số của các đỉnh trong giai đoạn thúc đẩy
ban đầu như một tham số quan tâm. Để điều tra
trung bình của công suất đạt cực đại trong giai đoạn lái xe ban đầu như một tham số quan tâm. Để
các tham số đại diện một cách hiệu quả cho một tập dữ liệu thậm chí còn lớn hơn được trình bày trong
để khảo sát hiệu quả các tham số là đại diện cho dạng thu gọn của tập dữ liệu thậm chí còn lớn
hơn , một tập hợp các phân tích D-tối ưu đã được thực hiện. Nó chiếm
được trình bày dưới dạng nhỏ gọn, một tập hợp các phân tích D-tối ưu đã được thực hiện. Nó
tương tác của các thông số được điều tra.
tính đến sự tương tác của các thông số được điều tra.
Thiết kế giai thừa phân số cổ điển không được sử dụng vì chúng không thể tính toán
Thiết kế giai thừa phân số cổ điển không được sử dụng vì chúng không thể tính phi tuyến
tính và tương tác của các tham số và việc sử dụng giai thừa đầy đủ
tính phi tuyến tính và tương tác của các tham số và việc sử dụng các kế hoạch đầy đủ sẽ làm tăng nỗ lực tính
toán cần thiết theo cấp số nhân để chứng minh
các kế hoạch giai thừa sẽ làm tăng nỗ lực tính toán cần thiết theo cấp số nhân cho các mục đích yêu quái. Các
kế hoạch tối ưu D cũng yêu cầu số lượng mô phỏng ít nhất và có thể đáp ứng được các mục đích sử dụng. Các kế
hoạch tối ưu D cũng yêu cầu số lượng mô phỏng ít nhất và có thể điều chỉnh cả các biến định tính và định lượng,
có thể được quan tâm trong tương lai
phù hợp với cả các biến định tính và định lượng, có thể được quan tâm cho các nghiên cứu với nhiều tham số
hơn. Chi tiết về công thức toán học của độ tối ưu D
các nghiên cứu trong tương lai với nhiều thông số hơn. Chi tiết về công thức toán học của tiêu
chí D và D được đưa ra bởi Aguiar et al. [62] và cũng được sử dụng bởi tác giả của
tính tối ưu và tiêu chí D được đưa ra bởi Aguiar et al. [62] và cũng được tác giả sử dụng trong nghiên cứu
hiện tại trong các nghiên cứu tối ưu hóa trước đó [63]. Đối với việc đánh giá, mô phỏng tính toán của nghiên
cứu hiện tại trong các nghiên cứu tối ưu hóa trước đó [63]. Để đánh giá, các lation tính toán đã được thực hiện
dựa trên một kế hoạch thiết kế thử nghiệm. Pin ban đầu SOC, nhiên liệu
mô phỏng được thực hiện dựa trên một kế hoạch thiết kế thử nghiệm. Công suất tối đa của pin ban
đầu và trọng lượng xe được xem xét trong nghiên cứu là các biến số.
SOC, công suất tối đa của pin nhiên liệu và trọng lượng xe được xem xét trong nghiên cứu vì các
mức hệ số của chúng được đặt là 1, 0 và 1. Chúng đề cập đến các mức thấp, trung bình và cao của
biến. Các mức yếu tố của chúng được đặt là 1, 0 và 1. Chúng lần lượt đề cập đến các yếu tố thấp, trung bình
và cao . Các thông số khác được giữ không đổi để đánh giá chất lượng dữ liệu
mức độ của các yếu tố, tương ứng. Các thông số khác được giữ không đổi để đánh giá dữ liệu được xử lý trong
quá trình phát triển mô hình dựa trên AI. Các biến điều tra được đưa ra
chất lượng
trong được
Bảng 1. xử lý trong quá trình phát triển mô hình dựa trên AI. Phương án điều tra
bles được cho trong Bảng 1.

Bảng 1. Các thông số điều tra với ba mức khả thi đề cập đến mức thấp, trung bình và cao của
các biến.

Mức độ yếu tố 1 0 1

Tối đa Công suất pin nhiên liệu [Watt] 95.000 100.000 128.000

Pin SOC ban đầu 0,3 0,4 0,6

Trọng lượng xe [kg] 1200 1500 1800

 . , ,
Machine Translated by Google các biến.

Mức độ yếu tố 1 0 1

Tối đa Pin nhiên liệu

95.000 100.000 128.000
Xe 2022, 4 [Watt] 669

Pin SOC ban đầu 0,3 0,4 0,6

Trọng lượng xe [kg] 1200 1500 1800

Các cấu hình mô hình được mô phỏng trong 1180 giây, bắt chước chu kỳ lái xe NEDC.
Cáctạo
vào việc cấuvàhình
cungmôcấp
hình
dữ được mô phỏng
liệu cho trong
máy học dựa 1180
trên giây,
AI bắt chước cy điều khiển NEDC Mặc dù tập trung

rõhình,
mô ràng.vìMặc
lợidù tập
ích củatrung vào
người việc
đọc, mộttạo và cung
số chi tiết cấp dữ liệu
của dữ liệu đã
chotạo
phần tiếp
được theo
mô tả của máy học dựa trên AI .
trong

mô hình, vì lợi ích của người đọc, một số chi tiết của dữ liệu được tạo ra sẽ được mô tả trong phần
tiếp theo.
2.3. Kết quả mô phỏng

2.3. phỏng
Kết quả
Dữ mô
liệu kết quả đưa ra trong Bảng 2 xem xét dữ liệu bao gồm cả ba cấp độ yếu tố
đã được sử dụng trong nghiên cứu.
Dữ liệu kết quả đưa ra trong Bảng 2 xem xét dữ liệu bao gồm cả ba cấp độ yếu tố đã được sử dụng

trong nghiên cứu.

Bảng 2. Các giá trị biến được sử dụng cho sáu cấu hình mô phỏng khác nhau được trích xuất từ bản hoàn chỉnh

DoE có kế hoạch dự đoán kết quả của mức tiết kiệm nhiên liệu và mức cao nhất trong NEDC.
Bảng 2. Các giá trị biến được sử dụng cho sáu cấu hình mô phỏng khác nhau được trích xuất từ kế hoạch
com plete DoE để dự đoán kết quả của mức tiết kiệm nhiên liệu và mức đỉnh trong NEDC.
Pin nhiên liệu [W] Pin ban đầu SOC Trọng lượng xe [kg]

Trường hợp 1 Pin nhiên liệu [W] Pin ban đầu SOC Trọng
100.000 0,4 lượng xe [kg] 1500
Trường hợp 1 100.000 0,4 1500
Case2 128.000 0,6 1200
Case2 128.000 0,6 1200
Case3 95.000 0,6 1500
Case3 95.000 0,6 1500
Trường hợp9 100.000 0,4 1800
Trường hợp9 100.000 0,4 1800
Trường hợp10 95.000 0,3 1200
Trường hợp10 95.000 0,3 1200

128.000 0,3
0,3 1800
1800
Trường
Trườnghợp11
hợp11 128.000

Kết quả
Kết quả mô
mô phỏng
phỏng trong
trong Hình
Hình 66 mô
mô tả
tả sản
sản lượng
lượng tiết
tiết kiệm
kiệm nhiên
nhiên liệu
liệu được
được dự
dự đoán
đoán cho
tronggiây
1180 khoảng
NEDCthời giantrên
và dựa 1180sốgiây
dặm NEDC và dựa
quy đổi trêntrên
mỗi số dặmxăng
loại quy tương
đổi trên mỗi xăng tương đương với thời gian
đương
phân phối
gian. Tổng theo
cộng thời
33,7 gian. Tổnggiờ
kilowatt cộng 33,7
điện kilowatt
tương đươnggiờ
vớiđiện
một tương
US đương với một lần phân phối theo thời

US gallon
tương xăng
đương hoặc tương
235.125 đương
L / 100 235.125
km. Các L / đỉnh
giá trị 100 km.
đượcGiá trịdõi
theo caovà
nhất được tính theo gallon xăng hoặc

và được
được mô trên
mô tả tả trên
mỗi mỗi đồ thị.
đồ thị.

Hình 6.
Hình 6. Kết
Kết quả
quả mô
mô phỏng
phỏng mức
mức tiết
tiết kiệm
kiệm nhiên
nhiên liệu
liệu cho
cho sáu
sáu tệp
tệp trường
trường hợp
hợp khác
khác nhau
nhau đã
đã chọn
chọn của
của pin
pin nhiên
nhiên liệu
liệu
xeđiện.
xe điện.

Các cấu hình cho Trường hợp 2 và Trường hợp 3 cho thấy hành vi tương tự với mức trung bình là

ba đỉnh hiển thị giá trị 3,93; 3,27; 3,09 L / 100 km và 4,41; 3,67; 3,47 L / 100 km
cho Trường hợp 2 và Trường hợp 3, tương ứng. So sánh một cặp khác, chẳng hạn như Trường hợp 1 và Trường hợp 3,

cho thấy rằng mặc dù các phương tiện có cùng trọng lượng và mức tối đa khác nhau một chút
năng lượng pin nhiên liệu, chênh lệch SOC của pin ban đầu là 0,2 dẫn đến mức tối đa đáng chú ý
chênh lệch đỉnh đạt gần 8 L / 100 km trong Trường hợp 1. Dữ liệu SOC của pin được minh họa
trong Hình 7, cùng với nguồn điện, làm sáng tỏ hành vi này, với tư cách là SOC

đặc trưng cho dung lượng pin còn lại dưới dạng phần trăm của dung lượng tối đa.
 . . . . . .
Machine Translated by Google
cho Trường hợp 2 và Trường hợp 3, tương ứng. So sánh một cặp khác, chẳng hạn như Trường
hợp 1 và Trường hợp 3, cho thấy mặc dù các xe có cùng trọng lượng và công suất pin nhiên
liệu tối đa khác nhau một chút, sự chênh lệch SOC của pin ban đầu là 0,2 dẫn đến chênh lệch
đỉnh tối đa đáng kể đạt gần 8 L / 100 km trong Trường hợp 1. Dữ liệu SOC của pin được minh họa
Xe 2022, 4 670
trong Hình 7, cùng với nguồn điện, làm sáng tỏ hành vi này, vì SOC đặc trưng cho dung
lượng pin còn lại dưới dạng phần trăm dung lượng tối đa.

Xe 2022, 4, ĐỂ ĐÁNH GIÁ PEER 9

Hình 7. quả
7. Kết Kết mô
quảphỏng
mô phỏng
nguồnnguồn
cung cung cấp cho
cấp điện cho sáu
sáu tệp
tệp trường
trường hợp
hợp khác
khác nhau
nhau đã
đã chọn
chọn của
của nhiên liệu liệu
pin nhiên Hình
ôxetôđiện.
điện.

Trường hợp 1 cho thấy giá trị SOC thấp hơn bắt đầu tăng dần từ 0,4 ban đầu trong khi
xe cũng tăng tốc. Trường hợp 2 và Trường hợp 3 cho thấy hành vi tương tự cũng phản ánh
sự phân bố SOC tương tự theo thời gian với các phạm vi hơi khác nhau, nhưng như mong
đợi, hành vi giảm dần giải thích các đỉnh cao hơn trong Trường hợp 1 so với Trường hợp 2 và
Machine Translated by Google

Xe 2022, 4 671

Trường hợp 1 cho thấy giá trị SOC thấp hơn bắt đầu tăng dần từ 0,4 ban đầu trong khi xe
cũng tăng tốc. Trường hợp 2 và Trường hợp 3 cho thấy hành vi tương tự cũng phản ánh sự phân
bố SOC tương tự theo thời gian với các phạm vi hơi khác nhau, nhưng như mong đợi, hành vi
giảm nếp nhăn giải thích các đỉnh cao hơn trong Trường hợp 1 so với Trường hợp 2 và Trường
hợp 3. Do tốc độ đường vân thay đổi đó là một chức năng của chu kỳ lái xe, các điều kiện
hoạt động của SOC cũng bị ảnh hưởng cùng với những thay đổi về điện áp, dòng điện sạc / phóng
điện và các thông số điện trở. Do đó, dòng điện kéo ra khác nhau, và pin nhiên liệu cung cấp
nhiều hơn hoặc ít hơn điện năng tương ứng. Cũng rất thú vị khi quan sát sự khác biệt về đỉnh
đầu tiên giữa Trường hợp 1 và Trường hợp 9. Sự khác biệt về thông số duy nhất giữa chúng là
trọng lượng xe của chúng là 300 kg. Sự khác biệt này xuất hiện trong đỉnh đầu tiên đối với
Trường hợp 1 với lần lượt là 7,87 L / 100 km và 9,23 L / 100 km đối với Trường hợp 9. Một
phân tích cuối cùng khác có thể là đỉnh cao nhất được dự đoán trong Trường hợp 10 do cạnh
thông số thấp hơn dẫn đến nhu cầu điện năng nhiều hơn, do đó giá trị cao hơn trong giai đoạn
đầu này và đạt đến giá trị SOC trong phạm vi 40% thấp hơn. Vì lợi ích của trọng tâm của nghiên
cứu, chi tiết hơn và phân tích dữ liệu đã không được xem xét thêm.

3. Trí tuệ nhân tạo (AI) và Máy học (ML)

Khi công nghệ bước vào thời đại trí tuệ nhân tạo, nhu cầu về các mô hình kỹ thuật
số vận hành nhanh chóng, chuyển đổi thông tin cũng đã đạt đến một giai đoạn quan trọng.
AI ngày càng tinh vi đang mở rộng tác động của quá trình hình thành chuyển đổi của mô-đun đa
vật lý. Các phương pháp truyền thống như FEM / CFD bị hạn chế bởi chuyên môn của người dùng
cần thiết rất lớn cũng như khó đạt được các giải pháp hiệu quả về chi phí mà không thiết lập
các chiến lược có hệ thống. Kể từ khi các khả năng AI mới đã hợp tác với số lượng lớn dữ
liệu cao cấp được cung cấp bởi các phân tích đa vật lý phức tạp, một loạt khả năng dự đoán và
tối ưu hóa tăng tốc ngày càng mạnh mẽ đã được phát hành. Các tập dữ liệu lớn có thể được
lưu trữ và xử lý thuận tiện hơn, và biểu diễn kỹ thuật số được trích xuất của bài toán thực
tế trở nên có khả năng mở rộng vô hạn. Do đó, việc sao chép các kết quả có thể được định hình
và cho phép các tùy chọn dự đoán khác nhau.
Thông qua việc tìm hiểu dữ liệu được giới thiệu và cải thiện các thuật toán được cài
đặt sẵn trong các công nghệ dựa trên AI, đã đạt được sự chuyển đổi cơ bản trong tư duy mô
hình hóa và mô phỏng. Đã có nhiều ứng dụng khác nhau của AI được sử dụng trong các ngành công
nghiệp khác nhau, chẳng hạn như năng lượng [64–
70], giao thông vận tải [71], y học [72–75]
và nhiều ngành khoa học tự nhiên khác [76–
78]. Hơn nữa, việc sử dụng và thực hiện các phương
pháp mô hình hóa truyền thống đã được tăng cường bằng cách hợp tác với các công cụ học máy
dựa trên AI [79–
81]. Phần hiện tại trình bày ngắn gọn các phương pháp học máy dựa trên AI
hiện tại có thể được sử dụng trong nghiên cứu xe điện pin nhiên liệu liên ngành để đạt được
quy trình mô hình hóa nhanh chóng, cải thiện sự hiểu biết, tối ưu hóa các phân tích, đưa ra
các câu hỏi mới và tìm kiếm câu trả lời mới. Điều này sẽ áp dụng một phương pháp tương tác
giữa con người và máy tính thành công và thiết lập một hệ thống trí tuệ tập thể dựa trên các
yếu tố “Việc gì đang được thực hiện?”, “Bởi ai?”, “Tại sao?” và làm thế nào?" [82]. Phần này
có thể được chia thành các tiêu đề phụ. Nó phải cung cấp một mô tả ngắn gọn và chính xác về
các kết quả thí nghiệm, cách giải thích của chúng, cũng như các kết luận thí nghiệm có thể được rút ra

3.1. Học máy (ML)

Trí tuệ nhân tạo là một lĩnh vực ngày càng phát triển đã hỗ trợ con người đưa ra dự
đoán về các lĩnh vực nghiên cứu liên ngành khác nhau. Trí tuệ nhân tạo đặc biệt nhằm mục
đích kết nối con người và máy tính theo cách mà mức độ thông minh kết hợp tăng lên. Được
chấp nhận rộng rãi, một trong những phương pháp AI cốt lõi được sử dụng là machine learning
ing (ML), là một cách tiếp cận có hệ thống tạo điều kiện cho máy tính học hỏi từ dữ liệu
được thu thập và xử lý trước cẩn thận. Lĩnh vực ML gắn liền với cách con người học tập;
do đó, nó cố gắng về cơ bản để hiểu và giải thích dữ liệu, thuật toán và lý thuyết bao gồm
điều đó. Mục tiêu là tập hợp các phương pháp luận được áp dụng bởi trình độ học tập cơ bản
của con người . Qua đó sử dụng logic, suy luận và lan truyền ngược, lập trình, thống kê và
suy luận theo xác suất và thực hiện các phép loại suy để mang lại các giải pháp tính toán.
Machine Translated by Google

Xe 2022, 4 672

Lợi thế của việc học từ một tập dữ liệu là một lập trình viên không bắt buộc phải thiết
lập các nhiệm vụ. Mối liên hệ giữa lập trình viên và máy móc sao cho chúng hoạt động khác biệt
so với lập trình máy tính truyền thống với chỉ huy trực tiếp và nhận câu trả lời. Điều này là
do quá trình học máy đang hình thành các quyết định dựa trên dữ liệu được cung cấp, tức là trải
nghiệm và nhân rộng quá trình ra quyết định dựa trên con người. Chúng được rút ra bằng cách
cung cấp các ví dụ cho thấy máy tính sẽ tiến hành như thế nào. Nhóm dữ liệu càng phức tạp thì
càng có thể thu thập được nhiều thông tin, nhưng người dùng càng phải có nhiều kiến thức hơn.
Vì vậy, quá trình học tập được thúc đẩy bởi sự đào tạo cẩn thận. Quá trình này phụ thuộc nhiều
vào dữ liệu được cung cấp và định hình. Do đó, nó là một nền tảng tốt để làm việc với các tập
dữ liệu có cấu trúc, bao gồm các bảng của các biến định tính và định lượng. Nó có vẻ trùng lặp
với một thuật ngữ tương tự được gọi là khai thác dữ liệu nhưng khác ở chỗ học máy tập trung
vào việc tự học từ dữ liệu và tạo ra một mô hình để cung cấp nền tảng cho các dự đoán cho các
tình huống khác nhau, trong khi các mục tiêu khai thác dữ liệu để nhận ra và phát hiện các mẫu
từ các tập dữ liệu lớn để có được thông tin chi tiết từ quá khứ.

3.1.1. Học có giám sát Một

trong những cốt lõi của học máy là cái gọi là học có giám sát, bao gồm việc học và hiểu
một số dữ liệu nhất định thông qua việc tìm kiếm mối quan hệ giữa các biến và kết quả đã biết
(phản hồi) và làm việc với các tập dữ liệu được gắn nhãn. Thực tế là cả biến và đầu ra đều
được biết ban đầu cho phép tập dữ liệu được "gắn nhãn". Sau đó, thuật toán toán học sẽ diễn
giải các mối quan hệ và mẫu tồn tại trong dữ liệu và tạo ra một mô hình toán học có thể tái tạo
các quy tắc cơ bản giống nhau với dữ liệu mới. Học tập có giám sát điển hình bao gồm các bài
toán hồi quy và phân loại. Các trường hợp mà phản hồi là một số được gọi là các vấn đề hồi
quy. Mặt khác , phân loại, trong bối cảnh đơn giản, bao gồm nhiều lớp và đầu vào được gán cho
một trong các lớp. Cả hồi quy và phân loại đều liên quan đến nhiệm vụ học ánh xạ từ biến đầu
vào đến phản hồi. Nghiên cứu hiện tại là một bài toán hồi quy điển hình.

3.1.2. Học tập không giám sát

Trong trường hợp học không giám sát, thực tế thiếu người giám sát, và chỉ có dữ liệu
đầu vào. Do đó, không phải tất cả các biến và mẫu dữ liệu đều được biết. Thay vào đó, máy
tính phải phát hiện các mẫu ẩn và tạo các nhãn bằng cách sử dụng các thuật toán học tập phù hợp.
Sau đó, sự khác biệt là để tìm ra các quy tắc trong đầu vào. Điều này tương tự với ước tính
mật độ , làm việc với các cụm trong thống kê. Dữ liệu được nhóm trong các điểm dữ liệu hiển
thị các tính năng tương tự. Lợi ích chính có thể là có thể khám phá các mẫu trong dữ liệu mà
trước đây chưa được biết đến, chẳng hạn như các mối tương quan hoặc các cụm dữ liệu.

3.1.3. Học tăng cường Dạng

thuật toán thứ ba và tiên tiến nhất trong học máy là học tăng cường . Đầu ra của một hệ thống
được điều tra là một chuỗi các hành động và một phản hồi đơn lẻ không phải là trọng tâm. Chuỗi các
hành động đúng đắn để đạt được một mục tiêu nhất định là cách tiếp cận được sử dụng. Một hành động
là đúng nếu nó là một phần của cái gọi là chính sách. Quá trình học tập dựa trên những kinh nghiệm
thích hợp trong quá khứ để tạo ra loại chính sách này. Không giống như các phương pháp học tập có
giám sát và không giám sát , phương pháp học tập củng cố liên tục cải thiện mô hình của nó bằng cách
thu thập phản hồi từ các lần lặp trước trong một vòng lặp. Do đó, nó không tiếp cận điểm cuối không
xác định sau khi mô hình được hình thành từ dữ liệu đào tạo và kiểm tra.

3.2. Học sâu (DL)

Học sâu là lá cờ đầu của các ứng dụng công nghệ dựa trên AI. Về cơ bản, nó là một loại máy
học, trong đó một mô hình học cách thực hiện các nhiệm vụ phân loại trực tiếp từ các tín hiệu
âm thanh, hình ảnh hoặc các loại văn bản khác nhau. Phương pháp này thường được áp dụng bằng
cách sử dụng các kiến trúc mạng thần kinh phức tạp tái tạo hệ thần kinh sinh học. Các
Machine Translated by Google

Xe 2022, 4 673

mạng bao gồm nhiều lớp khác nhau và số lượng lớp này quyết định độ sâu của mạng được tạo, do đó có thuật

ngữ "sâu". Các mạng nơ-ron điển hình sử dụng số lượng lớp thấp hơn, ít hơn năm, trong khi các mạng sâu

lên đến hàng trăm. Các lớp bao gồm một lớp đầu vào, nhiều lớp ẩn và một lớp đầu ra. Tất cả được kết nối

thông qua các nút, hay còn gọi là nơ-ron, trong đó mỗi lớp ẩn sử dụng đầu ra của lớp trước làm dữ liệu

đầu vào của nó. Những loại mạng lớn này thường thích hợp cho các vấn đề nhận dạng như nhận dạng khuôn

mặt, dịch văn bản và tập lệnh khác nhau, nhận dạng giọng nói hoặc các hệ thống hỗ trợ người lái xe nâng

cao. Kết nối với học máy có thể được hiểu sao cho ML trích xuất các tính năng từ dữ liệu, trong khi trong

học sâu, dữ liệu được đưa trực tiếp vào mạng nơ-ron đã tạo và để các tính năng được học tự động.

Đối với mục đích trình diễn, nghiên cứu hiện tại cũng sử dụng kiến trúc mô hình mạng nơ-ron hồi quy được

kết nối đầy đủ và với các tính năng chuyển tiếp. Điều này có thể được quan tâm và có thể cho thấy độ

chính xác cao hơn trong trường hợp dữ liệu phức tạp hơn được sử dụng trong các cuộc điều tra trong tương lai.

3.3. Quy trình học máy

Dựa trên kết quả mô phỏng doE điều khiển, một biểu thức toán học được rút ra xem xét mối quan hệ

của giá trị trung bình của ba đỉnh công suất và các tham số được khảo sát , tức là công suất pin nhiên

liệu tối đa, SOC ban đầu của pin và trọng lượng của xe .

Do bản chất vấn đề và tập dữ liệu phù hợp với khung của bài toán hồi quy [83], các kỹ
thuật thống kê được sử dụng để đánh giá mối quan hệ giữa các biến độc lập và phản ứng
số để dự đoán các đỉnh trong nền kinh tế nhiên liệu. Các giá trị phản hồi dự đoán so
với điểm dữ liệu thực được vẽ biểu đồ cho bốn mô hình hồi quy khác nhau.

3.3.1. Phát triển mô hình

Nghiên cứu hiện tại đã chứng minh việc sử dụng bốn mô hình học máy dựa trên AI khác nhau . Mô hình

1 là mô hình hồi quy tuyến tính nổi tiếng bao gồm các số hạng tuyến tính, một hệ số chặn và tất cả các

tương tác tuyến tính của các biến, không bao gồm các số hạng bình phương.

Mô hình 2 xem xét một biến thể tuyến tính từng bước. Trong quá trình hồi quy, nhiều biến được xử lý đồng

thời, biến tương quan yếu nhất bị loại bỏ. Các biến giải thích sự phân phối tốt nhất được giữ lại. Mô

hình 3 sử dụng mối tương quan giữa các dữ liệu đầu vào khác nhau đã cho, trong đó một hàm hiệp phương

sai tìm hiểu mối tương quan giữa các dữ liệu đầu vào. Với mục đích này, một mô hình hồi quy quá trình

Gaussian [84] đã được thử nghiệm. Đây là một mô hình có tính chất xác suất với ưu điểm là không tham số

so với các mô hình mạng nơ-ron phức tạp hơn, nhưng quan trọng hơn, cũng rất thuận tiện cho việc đào tạo

dữ liệu kích thước nhỏ cũng có giá trị cho nghiên cứu hiện tại. Nó diễn giải đầu ra phản hồi bằng cách

đưa vào các biến tiềm ẩn từ một tập hợp các biến ngẫu nhiên để bất kỳ số hữu hạn nào trong số chúng đều

có phân phối Gaussian chung. Do đó, việc tổng quát hóa phân phối Gaussian nổi tiếng với sự khác biệt thể

hiện sự phân phối giữa các hàm chứ không phải là sự phân phối giữa các biến ngẫu nhiên. Mô hình 4 xem xét

một kiến trúc mạng nơ-ron truyền thẳng với một lớp được kết nối đầy đủ có kích thước duy nhất. Lớp được

kết nối đầy đủ đầu tiên của mạng nơ-ron có kết nối với các biến đầu vào và mỗi lớp tiếp theo có kết nối

với lớp trước đó. Mỗi lớp nhân đầu vào với một ma trận trọng số và sau đó thêm một vectơ thiên vị. Chức

năng kích hoạt đơn vị tuyến tính được chỉnh lưu (ReLU) đang chuyển tổng của tất cả các tín hiệu có trọng

số sang giá trị kích hoạt mới của tín hiệu đó bằng cách giám sát từng lớp, không bao gồm lớp cuối cùng,

vì lớp cuối cùng được kết nối đầy đủ tạo ra giá trị phản hồi dự đoán của mạng nơ-ron.

3.3.2. Đào tạo mô hình

Trong học máy, dữ liệu đầu vào được đề xuất được phân vùng thành dữ liệu đào tạo và dữ liệu
kiểm tra. Dữ liệu giống nhau không được sử dụng cho cả hai. Nếu mô hình đã phát triển được sử dụng
trên cùng một tập dữ liệu, thì mô hình đó có thể được trang bị quá mức. Phần tách đầu tiên của dữ liệu
đầu vào được tính toán số, tức là dữ liệu dự trữ ban đầu được sử dụng để phát triển mô hình, cung cấp
dữ liệu huấn luyện. Dữ liệu đào tạo được sử dụng để phù hợp và điều chỉnh mô hình, trong khi tập hợp
kiểm tra được tách ra dưới dạng dữ liệu "vô hình" để đánh giá độ chính xác của mô hình. Nếu mô hình hoạt động
Machine Translated by Google

Xe 2022, 4 674

tốt về dữ liệu đào tạo nhưng kém về dữ liệu kiểm tra được phân tách, thì nó được coi là
trang bị quá nhiều. Một tính năng quan trọng cần được xem xét khi đào tạo người mẫu là
Các tham số mô hình như hệ số hồi quy có thể được đào tạo và học trực tiếp từ
tập dữ liệu được đề xuất, nhưng không thể cài đặt cho các thuật toán được gọi là siêu tham số
đã học được từ những dữ liệu này. Giới hạn thời gian đào tạo hoặc số lần lặp lại (được xác định trong nghiên cứu này

như 1000) cần được đặt. Để phân vùng dữ liệu đầu vào của người dùng cho mục đích đào tạo,
quá trình xác nhận chéo được sử dụng. Dữ liệu được chia thành các phần, được gọi là các nếp gấp

đào tạo mô hình, và cuối cùng, tính toán sai số kiểm tra trung bình tổng thể các nếp gấp. Phương pháp là
Xe 2022, 4, ĐỂ ĐÁNH GIÁ PEER 13
phù hợp với dữ liệu nhỏ và giảm thiểu việc trang bị quá nhiều. Trong nghiên cứu này, mười lần được chọn rằng

có thể được giải thích, như minh họa trong Hình 8.

K = 1 Tổ chức

K = 2 Tổ chức

K = 3 Tổ chức

K = 4 Tổ chức

K = 5 Tổ chức

K = 6 Tổ chức

K = 7 Tổ chức

K = 8 Tổ chức

K = 9 Tổ chức

K = 10 Tổ chức

Hình 8. Minh họa quy trình xác nhận chéo được sử dụng để phân vùng dữ liệu đầu vào trong đào tạo
Hình 8. Minh họa quy trình xác nhận chéo được sử dụng để phân vùng dữ liệu đầu vào thành dữ liệu đào tạo và kiểm tra.

và kiểm tra dữ liệu.

Dữ liệu huấn luyện được chia thành 10 phần bằng nhau (các nếp gấp), hầu như tạo ra 10 phần nhỏ
đào Dữ
tạoliệu
/ phân tách
huấn thử nghiệm.
luyện Mô hình
được chia được
thành thực hiện
10 phần bằng trên
nhauchín nếpgấp),
(phần gấp (ví
hầudụ: chín
như nếp
tạo ragấp
10 cuối
phần cùng). Kết quả
nhỏ được đánh giá

đàotrên
tạo phần "giữ"
/ phân táchcòn
thửlại. Tương
nghiệm. Môtự nhưđược
hình vậy, thực
quá trình lặp lại
hiện trên chínđãnếp
được
gấp thực hiệnchín nếp gấp cuối cùng). Kết
(ví dụ:
quả mười lần, mỗi lần giữ một nếp gấp khác nhau. Kết quả được tính trung bình trên tất cả 10 lần lưu giữ
đã được đánh giá trên một màn hình "giữ" còn lại. Tương tự như vậy, phép lặp được thực hiện các lần và được
hiểu là ước tính hiệu suất cuối cùng, tức là, xác thực chéo
mười lần, mỗi lần giữ một nếp gấp khác nhau. Kết quả được tính trung bình trên tất cả 10 điểm giữ. Việc
điều chỉnh và phù hợp cuối cùng của mô hình sau đó được thực hiện thông qua ứng dụng của
gấp lại và được hiểu là ước tính hiệu suất cuối cùng, tức là xác thực chéo xác thực chéo cho mỗi thuật toán và, nếu
thích hợp, cho các siêu tham số.
ghi bàn. Sau đó, việc điều chỉnh và phù hợp cuối cùng của mô hình được thực hiện thông qua việc áp dụng xác nhận
3.3.3. Kết quả mô hình và xác thực
chéo cho từng thuật toán và khi thích hợp, cho các siêu tham số.

Để ước tính hiệu suất của các mô hình, độ chính xác cần được đánh giá.
3.3.3. Kếtđược
nghiệm quả mô
sử hình
dụng và
choxác
mụcnhận
đíchBộnày.
thử Đây là dữ liệu thứ hai được tạo

trong quá trình phân vùng và chưa được sử dụng trong quá trình đào tạo. Tất cả là bốn
Để ước tính hiệu suất của các mô hình, độ chính xác cần được đánh giá. các mô hình đã được đánh giá và
việc tính toán các chỉ số hiệu suất được sử dụng để diễn giải
Bộ thử nghiệm đã được sử dụng cho mục đích này. Đây là dữ liệu thứ hai tạo ra độ chính xác của mô hình. Khi cả dữ
liệu đào tạo và dữ liệu kiểm tra đều đạt yêu cầu,
trong quá trình phân vùng và chưa được sử dụng trong quá trình đào tạo. Tất cả bốn mô hình học máy đã
sẵn sàng được sử dụng để dự đoán thêm về các đỉnh trong thời gian
cácmức
mô tiết
hình kiệm
đã được
nhiênđánh giáHình
liệu. và việc
9 chotính
thấytoán
kết các
quả chỉ số hiệu
so sánh của suất được
các mô sử sử
hình dụng để đa
dụng giải
vậtthích
lý
độ chính xác của mô hình. Khi cả dữ liệu huấn luyện và dữ liệu thử nghiệm đều đạt yêu cầu, dữ liệu ma mô phỏng.

mô hình học
đỉnhchine đã sẵn
của nền kinhsàng được liệu,
tế nhiên sử dụng để dự
được vẽ đoán
theo thêm
chiềuvềdọc
các đỉnh trong quá trình Phản ứng dự đoán, tức là

trục
tiết y nhiên
kiệm và đỉnh thực
liệu. sự 9của
Hình cho nền
thấykinh
kết tế
quả nhiên liệu
so sánh của được
các mômôhình
tả dọc theođatrục
sử dụng vật x
lý nằm
trênngang.
đường Điểm
tham chiếu
dữ cho
liệuthấy các dự đoán chính xác. Một mô hình tốt tạo ra các dự đoán
mô phỏng.
nằm rải rác gần dòng, trong đó khoảng cách giữa các giá trị được dự đoán và
các giá trị true thực tế được gọi là phần dư. Các kết quả được vẽ cho thấy kết quả đầy hứa hẹn cho

cả bốn cấu hình. Mô hình 1 và Mô hình 4 cho thấy lượng dư cao hơn một chút so với

sang Mô hình 2 và Mô hình 3, dường như cho thấy độ chính xác tốt hơn. Mô hình 3 cho thấy một chút

độ lệch cao hơn trong vùng lân cận của 4–6 giá trị trên trục phản hồi thực, cho thấy

rằng Mô hình 2 chính xác hơn. Để giảm thiểu việc trang bị quá nhiều, tức là, trường hợp trong đó

mô hình hoàn toàn phù hợp với tập huấn luyện nhưng sẽ không biết cách phản hồi với
dữ liệu, việc đánh giá cần được thực hiện cẩn thận. Do đó, các chỉ số hiệu suất
cho mỗi mô hình đã được tính toán. Kết quả được thể hiện trong Bảng 3.
 trong quá trình phân vùng và chưa được sử dụng trong quá trình đào tạo. Tất cả các mô hình fo đều
Machine Translated by Google
được đánh giá và việc tính toán các chỉ số hiệu suất được sử dụng để xen kẽ độ chính xác của mô

hình. Khi cả dữ liệu huấn luyện và dữ liệu thử nghiệm đều đạt yêu cầu, mô hình học tập m chine đã

sẵn sàng được sử dụng để dự đoán thêm về các đỉnh trong thời gian tiết kiệm nhiên liệu. Hình 9 cho
Xe 2022, 4 675
thấy kết quả so sánh của các mô hình bằng cách sử dụng dữ liệu mô phỏng đa hệ số.

Hình 9.
Hình 9. So
So sánh
sánh dữ
dữ liệu
liệu mô
mô phỏng
phỏng so
so với
với mô
mô hình
hình học
học máy
máy sử
sử dụng
dụng mức
mức tiết
tiết kiệm
kiệm nhiên
nhiên liệu
liệu cao
cao nhất
nhất là
là t
phảnhồi
phản hồicho
chobốn
bốn
mô mô hình
hình họchọc
máymáy
kháckhác
nhaunhau đã chọn.
đã chọn.

Bảng 3. Phản
Đánh ứng
giá chất lượngtức
dự đoán, của là
cácmức
mô tiết
hình hồi quynhiên
kiệm có xét đến đỉnh
liệu R2 , RMSE, MSE và MAE cho
cao, được vẽ biểu đồ dọc theo chiều dọc
người mẫu được đào tạo.
trục và đỉnh thực sự của nền kinh tế nhiên liệu được mô tả dọc theo trục x nằm ngang. Poin

Mô hình 1 Mô hình 2 Mô hình 3

RMSE 0,2368 0,074913 0,25933

R-Bình phương 0,99 1 0,99

MSE 0,056073 0,0056119 0,06725

MAE 0,11083 0,054324 0,16725

Để giải thích tính tốt của các mô hình được sử dụng, sai số bình phương trung bình
(MSE), sai số bình phương căn bậc hai (RMSE), R-Squared (R2 ) và (MAE) đã được tính toán và
so. RMSE tính toán độ lệch chuẩn của phân phối lỗi của
dữ liệu. Giá trị MSE cho chúng ta sự khác biệt bình phương trung bình giữa giá trị trung bình được dự đoán

giá trị lỗi tuyệt đối và giá trị phản hồi thực tế thực tế. Mô hình có mức thấp nhất
MSE là mô hình vượt trội hơn trong việc dự đoán các giá trị thực của tập dữ liệu. Như nhau
áp dụng cho các giá trị MAE, là giá trị trung bình cộng của sai số tuyệt đối được thu thập
từ sự khác biệt giữa giá trị được dự đoán và giá trị thực. Tương tự, R2 xác định
độ tin cậy của mối quan hệ giữa các mô hình và biến phụ thuộc vào một
Tỷ lệ 0–100%, trong đó các giá trị cao hơn cho thấy mức độ phù hợp tốt hơn. Khi so sánh tất cả các mô hình
dữ liệu, Mô hình 2 cho thấy hiệu suất tốt nhất. Các tính toán cho thấy rằng không giống như ban đầu
diễn giải từ Hình 9, Mô hình 1 cho thấy, sau Mô hình 2, RMSE thấp nhất, MSE và
Giá trị MAE, cho thấy rằng lỗi đối với bộ thử nghiệm trong Mô hình 3 và Mô hình 4 cao hơn
và các mô hình trở nên kém chính xác hơn. Cần lưu ý rằng các giá trị R2 cũng rất
gần nhau, tiến gần đến 1, điều này cho thấy rằng các biến độc lập có thể
giải thích hầu hết các biến trong biến phụ thuộc. Do đó, dựa trên tổng thể
kết quả, Mô hình 1 có thể được hiểu sau Mô hình 2 là biến thể chính xác nhất. Điều này có thể
cũng là do số lượng dữ liệu được đề xuất. Ban đầu, một mô hình có vẻ rất
hứa hẹn vì lỗi đối với tập huấn luyện có thể thấp hơn. Giải pháp tốt nhất cho điều này
tình hình là để giới thiệu thêm dữ liệu. Đối với phạm vi của nghiên cứu hiện tại và mức độ
dự đoán mức độ thỏa mãn về khả năng, các mô hình Mô hình 1 và Mô hình 2 sẽ được sử dụng để dự đoán
Machine Translated by Google

Xe 2022, 4 676

và được đánh giá bằng một số phân tích đa vật lý cho các giá trị tham số được sử dụng để quan sát
chi tiết và đánh giá xem có cần thêm dữ liệu hay không. Một lợi ích khác từ việc so sánh là
rằng cần lưu ý rằng mỗi số liệu cung cấp cho nhà phân tích những thông tin khác nhau.
Điều này có thể được hiểu rõ hơn bằng cách so sánh Mô hình 1 và Mô hình 3. RMSE cho thấy
khoảng cách điển hình giữa giá trị dự đoán được thực hiện bởi mô hình hồi quy và giá trị thực tế
giá trị, trong khi R2 cho biết mức độ các biến dự báo có thể giải thích sự biến đổi trong
biến phản hồi. Mặc dù các giá trị R2 giống nhau , sự khác biệt trong RMSE đã được xác định.

3.4. Kết quả dự đoán mô hình

Để thực hiện các dự đoán, Mô hình 1 và Mô hình 2 đã được sử dụng thêm. Tham số
Các phương tiện 2022, 4, FOR PEER 15
REVIEW V1, V2 và V3 đề cập đến năng lượng pin nhiên liệu, SOC của pin ban đầu của các thông số đã sử dụng, và

trọng lượng xe tương ứng. Đỉnh cao nhất về giá trị tiết kiệm nhiên liệu được dự
đoán bởi các mô hình học máy phát triển được so sánh với mô phỏng mô hình đa vật lý
kết quả. Kết quả được hiển thị trong Bảng 4.
các mô hình học máy đã phát triển được so sánh với các kết quả của mô hình đa vật lý simula tion. Kết quả được hiển

thị trong Bảng 4.

Bảng 4. Dự đoán giá trị đỉnh tiêu thụ nhiên liệu cao nhất bằng cách sử dụng mô hình máy học so với.

kết
Bảngquả dự đoán
4. Dự đoángiá
bằng
trịmô hình
đỉnh mô thụ
tiêu phỏng đa liệu
nhiên vật cao
lý. nhất bằng mô hình máy học so với kết quả dự đoán bằng mô hình mô phỏng đa

vật lý.
V1 V2 V3 Multiphysics Mô hình 1 Lỗi% Mô hình 2 Lỗi%

V1 V2
120.000 0,6 1850 V3 Multiphysics Mô hình 1 Lỗi% Mô5,03
5.039 hình0,119
2 Lỗi%
5,03 5,02 0,010

120.000 0,6 1850 5.039 0,119 5,28 0,056

5,28 5,02 0,010
118.500 0,6 2000 2000 5,29 0,056 4,69 4,69
0,177 5,28 0,006
118.500 0,6 1650 5,29 0,177 10,38 0,289 5,28 0,006
125.000 0,6 1650 1550 4,69 10,38 0,289 1,16
9,85 4,68 0,010
125.000 0,6 1550 4,69 9,85 1,166 4,68 0,010
99.000 0,3 1475 1475 10,35 10,40 0.024
99.000 0,3 10,35 10,40 0.024

96.500 0,3 0,3 9,74 9,87 0.067

96.500 9,74 9,87 0.067

110.000 0,40,4 1400

1400 7,45
7,45 7,46
0,16030,1603 7,46 7,47
7,47 0.015
0.015
110.000

Kết quả
Kết quả ngụ
ngụ ýý rằng
rằng một
một thỏa
thỏa thuận
thuận xuất
xuất sắc
sắc đạt
đạt được
được bằng
bằng cách
cách dự
dự đoán
đoán mức
mức cao
cao nhất
nhất
giá tiết
mức trị cao
kiệmnhất của
nhiên mức sử
liệu tiết kiệm
dụng cả nhiên
hai môliệu
hìnhkhi
máysử dụng
học khicả
sohai mô với
sánh hình máy học khi so sánh với giá trị cao nhất của

kết được
quả quả dự
dựđoán
đoánbằng
bởi mô
mô hình
hình mô
mô phỏng
phỏng đa
đa vật
vật lý.
lý. Hình
Hình 10
10 mô
mô tả
tả chi
chi tiết
tiết các kết
phân
đã tích
được sáu minh.
chứng dự đoán
Có đã được
thể nhìnchứng
thấy minh.
là cácCóđỉnh
thể cao
nhìnnhất
thấytrong
là các
số đỉnh
ba cao nhất trong số ba phân tích của sáu dự đoán

các đỉnh
biểu trong
đồ. Mức mỗi
tiêu đồ nhiên
thụ thị. Mức
liệutiêu
cao thụ
nhấtnhiên liệu đợi
như mong cao với
nhấtmặt
như mong
thấp đợi
hơn với phía thấp hơn của các đỉnh trong mỗi
của
SOCs mặc
lượng dù trọng
xe cao lượngbaxelần
hơn trong caoquan
hơn sát
trong
đầubatiên,
lần quan sát đầu
như cũng tiên,
được hiểnnhư
thị cũng được hiển thị trong SOCs mặc dù trọng
trong
sự phân
chi tiết bổ
chochi tiết
thời hạncho thời
NEDC hạnđịnh.
nhất NEDC nhất định. phân phối

Hình
Hình 10. Kết quả
10. Kết quảmômôphỏng
phỏng
mứcmức tiết
tiết kiệmkiệm nhiên
nhiên liệu liệu đểminh
để xác xác độ
minh độ xác
chính chính
của xác của ngẫu
dữ liệu dữ liệu
nhiênngẫu
của nhiên
các mô của
hình máy
máy học bằng

học sử
cách cácdụng
mô sáu
hìnhtệp
bằng
thử cách sửmới
nghiệm dụng
củasáu tệp thử
mô hình nghiệm
xe điện chạymới
bằngcủa
pinmô hìnhliệu.
nhiên xe điện chạy
Các giá trịbằng
lớn pin
nhất nhiên liệu. Các giá trị

đangđa
tối ở nằm
trongtrong
cái nhìn
hìnhcận cảnhhọa
minh được
cậnminh họa.
cảnh.

Cần lưu ý rằng mức độ của tập dữ liệu ngẫu nhiên là phù hợp vì tập dữ liệu mới cũng xem xét các giá trị trong

tập hợp con được sử dụng cho mục đích đào tạo. Do đó, độ chính xác vẫn còn giá trị, như đã được xác minh với tập dữ

liệu mới được mô phỏng và mô tả trong Hình 10. Điều này cho thấy rằng các mô hình học máy cung cấp một ước tính đầu

tiên tuyệt vời và

Machine Translated by Google

Xe 2022, 4 677

Cần lưu ý rằng mức độ của tập dữ liệu ngẫu nhiên là phù hợp vì tập dữ liệu mới cũng xem xét các
giá trị trong tập hợp con được sử dụng cho mục đích đào tạo. Do đó, độ chính xác vẫn còn giá trị, như
đã được xác minh với tập dữ liệu mới được mô phỏng và mô tả trong Hình 10. Điều này cho thấy rằng các
mô hình học máy cung cấp một ước tính đầu tiên tuyệt vời và có thể được sử dụng như một công cụ tối
ưu hóa có thể dự đoán chính xác các đỉnh bên trong chu kỳ truyền động dưới các thông số nhất định và
giảm mức tiêu thụ tổng thể với các mục tiêu cụ thể như dưới phạm vi 5 L / 100 km mong muốn. Nó cho
thấy tiềm năng lớn để chọn trước nhiều thông số hơn và dự đoán hành vi của hệ thống hoặc thành phần
khác nhau trong chiếc xe phức tạp.

4.Kết luận

Bài viết này nhằm mục đích sử dụng các công nghệ máy học dựa trên AI mới nổi để đánh giá và thảo luận

một cách nghiêm túc về khả năng tiết kiệm nhiên liệu trong xe điện chạy bằng pin nhiên liệu. Kết quả mô

hình đa vật lý học truyền thống thu được bằng cách sử dụng mô hình xe điện chạy bằng pin nhiên liệu đầy

đủ, bao gồm hệ thống truyền lực và các thuộc tính của xe, cũng như NEDC để dự đoán hành vi lái xe trong đời thực.
Một kế hoạch thiết kế tối ưu D có hệ thống đã được sử dụng để dự đoán một nhóm dữ liệu đại
diện được sử dụng để phát triển và đào tạo một mô hình học máy. Việc so sánh kết quả dữ liệu
đào tạo và kiểm tra cho thấy các giá trị R2 ,
được
RMSE,
đàoMSE
tạo.
và Mô
MAEhình
rất loại
tốt cho
hồi tất
quy cả
tuyến
các tính
mô hình
và
tuyến tính từng bước cho thấy kết quả đánh giá thống kê tốt nhất. Cả hai mô hình đều được sử
dụng để dự đoán ngẫu nhiên thêm về các đỉnh tiết kiệm nhiên liệu trong NEDC. Những dữ liệu này
cũng được so sánh với các phân tích đa vật lý chi tiết cho thấy sự thống nhất rất tốt. Độ
chính xác của chúng cho thấy sai số ít hơn 1%. Các mô hình được chứng minh là cho thấy kết quả
rất nhanh và tốt. Nghiên cứu chỉ ra rõ ràng rằng việc sử dụng kết hợp học máy dựa trên AI với
mô phỏng đa vật lý truyền thống và DoE là một cách tiếp cận rất hiệu quả được sử dụng cho mục
đích đánh giá và tối ưu hóa xe điện chạy bằng pin nhiên liệu . Cuối cùng, cách tiếp cận cho
thấy tiềm năng lớn trong việc cung cấp dữ liệu tăng tốc khi nhiều tham số hơn được xem xét và
đào tạo bằng cách sử dụng các mô hình học máy phức tạp.

Tài trợ: Nghiên cứu này không nhận được tài trợ từ bên ngoài.

Tuyên bố về tính sẵn có của dữ liệu: Không áp dụng.

Xung đột lợi ích: Tác giả tuyên bố không có xung đột lợi ích.

Người giới thiệu

1. Lê Đen, X.; Bruyère, S.; Dubois, G.; Garcia-Borreguerro, C.; Bary, A. Nghiên cứu khả thi và xác định phạm vi để Ủy ban trở thành trung
lập về khí hậu vào năm 2030 Báo cáo cuối cùng Ủy ban trở thành trung lập về khí hậu vào năm 2030. Tháng 9 năm 2020. Có sẵn trực
tuyến: https://op.europa.eu/en/publication-detail/- / Publishing / d3ecabf9-f895-11ea-991b-01aa75ed71a1 (truy cập ngày 15 tháng 4 năm 2022).
2. Peksen, M. Công nghệ Hydrogen hướng tới Giải pháp Phương tiện Năng lượng Mới Thân thiện với Môi trường. Năng lượng 2021, 14, 4892.

[CrossRef]
3. Nanaki, EA Chương 5 — Giảm thiểu biến đổi khí hậu và xe điện. Trong Xe điện cho Thành phố Thông minh; Nanaki, EA, Ed .;

Elsevier: Amsterdam, Hà Lan, năm 2021; trang 141–180. [CrossRef]

4. Arora, S.; Abkenar, AT; Jayasinghe, SG; Tammi, K. Chương 6 — Công nghệ và tiêu chuẩn sạc áp dụng cho xe điện hạng nặng . Trong Xe điện hạng nặng; Arora, S.,

Abkenar, AT, Jayasinghe, SG, Tammi, K., Eds .; Butterworth Heinemann: Oxford, Vương quốc Anh, năm 2021; trang 135–
155. [CrossRef]

5. Kittner, N.; Tsiropoulos, tôi; Tarvydas, D.; Schmidt, O.; Staffell, tôi; Kammen, DM Chương 9 — Xe điện. Trong Học tập Công nghệ
trong quá trình Chuyển đổi sang Hệ thống Năng lượng Các-bon thấp; Junginger, M., Louwen, A., Eds .; Nhà xuất bản: Cambridge, MA,
USA, 2020; trang 145–163. [CrossRef]
6. Andwari, AM; Pesiridis, A.; Rajoo, S.; Martinez-Botas, R .; Esfahanian, V. Đánh giá về công nghệ Xe điện chạy bằng Pin và

mức độ sẵn sàng. Thay mới. Duy trì. Phiên bản năng lượng 2017, 78, 414–
430. [CrossRef]

7. Çabukoglu, E.; Georges, G .; Küng, L. .; Pareschi, G.; Boulouchos, K. Động cơ điện chạy bằng pin: Một lựa chọn cho xe hạng nặng?

Kết quả từ một nghiên cứu điển hình của Thụy Sĩ. Vận chuyển. Res. Phần C Cấp cứu. Technol. 2018, 88, 107–
123. [CrossRef]

8. Manzetti, S.; Mariasiu, F. Công nghệ pin xe điện: Từ trạng thái hiện tại đến các hệ thống trong tương lai. Thay mới. Duy trì. Năng lượng Rev.

2015, 51, 1004–

1012. [CrossRef]

9. Vương, C.; Chu, S.; Hồng, X.; Qiu, T.; Wang, S. Một so sánh toàn diện về các lựa chọn nhiên liệu cho xe chạy bằng pin nhiên liệu ở Trung Quốc. Nhiên liệu

Quá trình. Technol. 2005, 86, 831–

845. [CrossRef]

10. Kast, J.; Morrison, G.; Gangloff, JJ; Vijayagopal, R .; Marcinkoski, J. Thiết kế xe tải chạy pin nhiên liệu hydro trong thị trường đa dạng hạng trung và hạng

nặng. Res. Vận chuyển. Econ. 2018, 70, 139–

147. [CrossRef]
Machine Translated by Google

Xe 2022, 4 678

11. Lee, D.-Y .; Elgowainy, A. .; Kotz, A. .; Vijayagopal, R .; Marcinkoski, J. Ý nghĩa vòng đời của công nghệ xe điện pin nhiên liệu hydro cho xe tải hạng trung

và hạng nặng. J. Nguồn điện 2018, 393, 217–229. [CrossRef]

12. Kast, J .; Vijayagopal, R .; Gangloff, JJ; Marcinkoski, J. Vận tải thương mại sạch: Xe tải điện chạy bằng pin nhiên liệu hạng trung và hạng nặng . Int. J.

Năng lượng Hydro 2017, 42, 4508–4517. [CrossRef]

13. Hernández-Torres, D. .; Tên họ, O .; Riu, D.; Druart, F. Về khả năng kiểm soát mạnh mẽ của bộ chuyển đổi DC-DC: Ứng dụng cho hỗn hợp

Hệ thống phát điện. IFAC Proc. Tập 2010, 43, 123–

130. [CrossRef]

14. Zhang, Z .; Vương, D.; Zhang, C.; Chen, J. Các chiến lược mở rộng phạm vi xe điện dựa trên hệ thống điện xoay chiều cải tiến trong điều kiện khí hậu lạnh

— Một đánh giá. Int. J. Refrig. 2018, 88, 141–

150. [CrossRef]

15. Fernández, R.Á .; Cilleruelo, FB; Martínez, IV Một cách tiếp cận mới đối với xe điện chạy bằng pin: Một loại pin nhiên liệu hydro

hệ thống mở rộng phạm vi. Int. J. Năng lượng Hydro 2016, 41, 4808–
4819. [CrossRef]

16. Millo, F.; Caputo, S.; Piu, A. Phân tích bộ mở rộng phạm vi HT-PEMFC cho xe chạy điện hoàn toàn hạng nhẹ (LD-FEV). Int. J. Hydrogen

Năng lượng 2016, 41, 16489–

16498. [CrossRef]

17. Colloquium, A.; Công nghệ, E.; Peksen, M. Máy mở rộng phạm vi pin nhiên liệu — Phát triển hệ thống phù hợp từ khái niệm đến sử dụng đường công cộng. Trong

Kỷ yếu của Aachen Colloquium Trung Quốc lần thứ 8, Bắc Kinh, Trung Quốc, ngày 14–15 tháng 11 năm 2018; trang 1–
7.

18. Koj, JC; Wulf, C.; Zapp, P. Tác động môi trường của hệ thống power-to-X — Đánh giá các lựa chọn công nghệ và phương pháp

trong Đánh giá Vòng đời. Thay mới. Duy trì. Energy Rev. 2019, 112, 865–
879. [CrossRef]

19. Ahmadi, P.; Torabi, SH; Afsaneh, H.; Sadegheih, Y .; Ganjehsarabi, H.; Ashjaee, M. Ảnh hưởng của kiểu lái xe và sự xuống cấp của pin nhiên liệu PEM đối với

việc đánh giá vòng đời của xe chạy bằng pin nhiên liệu hydro. Int. J. Năng lượng Hydro 2019, 45, 3595–
3608. [CrossRef]

20. Weiss, M.; Irrgang, L.; Kiefer, AT; Roth, JR; Máy trợ lực, E. Đánh đổi hiệu suất liên quan đến khối lượng và điện năng và lượng khí thải CO2 của
xe du lịch nhỏ gọn. J. Sạch sẽ. Sản phẩm. 2019, 243, 118326. [CrossRef]

21. Götz, M.; Lefebvre, J.; Mörs, F.; McDaniel Koch, A. .; Graf, F.; Bajohr, S .; Reimert, R .; Kolb, T. Năng lượng tái tạo thành khí: Một đánh giá kinh tế và

công nghệ. Thay mới. Năng lượng 2016, 85, 1371–1390. [CrossRef]

22. Cơ quan Năng lượng Quốc tế. Cập nhật thị trường năng lượng tái tạo; Cơ quan Năng lượng Quốc tế: Paris, Pháp, năm 2021; P. 26.

23. Gia-cốp, J.; Pandey, A. .; Rahim, NA; Selvaraj, J.; Samykano, M.; Saidur, R .; Hệ thống nhiệt quang điện tập trung (CPVT) Tyagi, V. Những tiến bộ gần đây

trong ứng dụng năng lượng sạch, quản lý và lưu trữ nhiệt. J. Lưu trữ năng lượng 2021, 45, 103369.

[CrossRef]
24. Tarhan, C.; Çil, MA Nghiên cứu về hydro, năng lượng sạch của tương lai: Các phương pháp lưu trữ hydro. J. Lưu trữ năng lượng 2021, 40,
102676. [CrossRef]

25. Baykara, SZ Hydrogen: Tổng quan ngắn gọn về các nguồn, sản lượng và tác động môi trường của nó. Int. J. Năng lượng Hydro 2018, 43,
10605–10614. [CrossRef]

26. Kumar, R.; Kumar, A. .; Pal, A. Tổng quan về các phương pháp sản xuất hydro thông thường và không thông thường. Mater. Hôm nay Proc. 2021, 46, 5353–5359.
[CrossRef]

27. Abohamzeh, E.; Salehi, F.; Sheikholeslami, M.; Abbassi, R .; Khan, F. Đánh giá về an toàn hydro trong quá trình lưu trữ, truyền tải và

các quy trình ứng dụng. J. Mất mát Trước đó. Quy trình Ind. 2021, 72, 104569. [CrossRef]

28. Dawood, F.; Và.; Shafiullah, GM Sản xuất Hydro cho Năng lượng: Tổng quan. Int. J. Năng lượng Hydro 2020, 45,
3847–
3869. [CrossRef]

29. Peng, X.; Liu, Z .; Jiang, D. Một đánh giá về chuyển đổi năng lượng nhiều pha trong sản xuất điện gió. Thay mới. Duy trì. Phiên bản năng lượng năm 2021,
147, 111172. [CrossRef]

30. Gandía, LM; Arzamendi, G.; Diéguez, PM; Varin, RA; Wronski, ZS Chương 13 - Tiến trình Dự trữ Hydro trong các Hydrua phức tạp. Thay mới. Hydrog. Technol.

2013, 1, 293–332. [CrossRef]

31. Ratnakar, RR; Gupta, N.; Zhang, K.; van Doorne, C.; Fesmire, J.; Dindoruk, B.; Balakotaiah, V. Chuỗi cung ứng hydro và những thách thức trong lưu trữ và

vận chuyển LH2 quy mô lớn. Int. J. Năng lượng hydro 2021, 46, 24149–24168. [CrossRef]

32. Peksen, M. Chương 1 — Giới thiệu về Mô hình Đa ngành. Trong Mô hình Đa ngành; Peksen, M., Ed .; Báo chí học thuật:

Cambridge, MA, Hoa Kỳ, 2018; trang 1–

35. [CrossRef]

33. Korvink, JG; Greiner, A.; Liu, Z. 1.18 — Mô phỏng đa vật lý và đa tỷ lệ. Soạn thảo Microsyst. 2008, 1, 539–
557. [CrossRef]

34. Lu, P.; Binita, B.; Barton, PI; Màu xanh lá cây, WH Giảm mô hình để mô phỏng hóa học thích ứng của các dòng phản ứng. Trong Kỷ yếu của Hội nghị MIT lần thứ

hai về Cơ học chất lỏng và chất rắn, Cambridge, MA, Hoa Kỳ, 17–20 tháng 6 năm 2003; trang 1422–
1425.
[CrossRef]

35. Lenczner, M.; Rochus, V. Vấn đề đặc biệt: Mô hình hóa đa vật lý, mô phỏng và thử nghiệm các hệ thống vi mô và nano.
Cơ điện tử 2016, 40, 233–
234. [CrossRef]

36. Tian, F.; Voskuijl, M. Tự động tạo ra các mô hình mô phỏng đa vật lý để hỗ trợ tối ưu hóa thiết kế đa ngành.

Tiến lên Tiếng Anh Báo. 2015, 29, 1110–1125. [CrossRef]

37. Ramadesigan, V.; Northrop, PWC; Đệ, S.; Santhanagopalan, S.; Braatz, RD; Subramanian, Mô hình VR và Mô phỏng Pin Lithium-Ion từ Quan điểm Kỹ thuật Hệ thống.

J. Điện hóa. Soc. 2012, 159, R31 – R45. [CrossRef]

38. Geng, C.; Jin, X.; Zhang, X. Nghiên cứu mô phỏng về một chiến lược điều khiển mới cho các phương tiện di chuyển phạm vi mở rộng pin nhiên liệu. Int. J.

Năng lượng Hydro 2019, 44, 408–420. [CrossRef]

39. Petersheim, MD; Brennan, SN Mở rộng quy mô các thành phần của hệ thống truyền lực xe hybrid-điện để mô phỏng phần cứng trong vòng lặp.
Cơ điện tử 2009, 19, 1078–1090. [CrossRef]
Machine Translated by Google

Xe 2022, 4 679

40. Đại, H.; Zhang, X. .; Ngụy, X.; CN, Z .; Wang, J .; Hu, F. Xác thực Cell-BMS với mô phỏng phần cứng trong vòng lặp của các tế bào pin lithium-ion cho

xe điện. Int. J. Electr. Power Energy Syst. 2013, 52, 174–184. [CrossRef]

41. Tang, T.; Heinke, S.; Thüring, A.; Tegethoff, W .; Köhler, J. Mô phỏng chu trình truyền động bắt đầu đóng băng của hệ thống truyền động pin nhiên liệu

với mô hình ngăn xếp hai pha và phân tích dị ứng để cải thiện quản lý nhiệt. Appl. Cái nhiệt. Tiếng Anh 2018, 130, 637–
659.

[CrossRef]
42. Zhang, C.; Santhanagopalan, S.; Sprague, M.; Pesaran, AA Một mô hình bánh sandwich đại diện để mô phỏng đồng thời cơ-điện-nhiệt của một tế bào lithium-

ion trong các thử nghiệm lõm gần như tĩnh. J. Nguồn điện 2015, 298, 309–
321. [CrossRef]

43. Chen, J.; Hoàng, L.; Yan, C.; Liu, Z. Một mô hình phân đoạn động có thể mở rộng của hệ thống pin nhiên liệu PEM với dòng nước hai pha.

Môn Toán. Tính toán. Simul. 2018, 167, 48–

64. [CrossRef]
44. Datta, D. Giới thiệu về phương pháp phần tử hữu hạn eXtended (XFEM). arXiv 2013, arXiv: 1308.5208.

45. Fotouhi, A.; Auger, DJ; Propp, K .; Longo, S.; Wild, M. Một bài đánh giá về mô hình pin xe điện: Từ Lithium-ion hướng tới

Liti – lưu huỳnh. Thay mới. Duy trì. Energy Rev. 2016, 56, 1008–1021. [CrossRef]

46. Pelletier, S.; Jabali, O .; Laporte, G.; Veneroni, M. Sự xuống cấp và hoạt động của pin đối với xe điện: Xem xét và đánh số

phân tích một số mô hình. Vận chuyển. Res. Phần B Methodol. 2017, 103, 158–
187. [CrossRef]

47. De Vita, A.; Maheshwari, A. .; Destro, M.; Santarelli, M.; Carello, M. Phân tích nhiệt thoáng qua của một bộ pin lithium-ion so sánh các giải pháp làm

mát khác nhau cho các ứng dụng ô tô. Appl. Năng lượng 2017, 206, 101–
112. [CrossRef]

48. Xie, Y.; Li, J .; Yuan, C. Mô hình đa ngành về quá trình làm mờ dần dung lượng pin lithium ion với sự xen kẽ chất điện ly rắn

tăng trưởng bằng động học phản ứng sơ cấp. J. Nguồn điện 2014, 248, 172–
179. [CrossRef]

49. Olivier, J.-C.; Wasselynck, G.; Chevalier, S.; Trọng lực, B.; Josset, C.; Trichet, D.; Squadrito, G.; Bernard, N. Mô hình hóa đa ngành và tối ưu hóa

chiến lược lái xe ô tô chạy bằng pin nhiên liệu hạng nhẹ. Int. J. Năng lượng Hydro 2017, 42, 26943–26955. [CrossRef]

50. Hồng, P.; Xu, L.; Li, J .; Ouyang, M. Mô hình hóa cụm điện cực màng của pin nhiên liệu PEM để phân tích tổn thất điện áp bên trong.

Năng lượng 2017, 139, 277–288. [CrossRef]

51. Chavan, S.; Talange, DB Mô hình hóa và đánh giá hiệu suất của pin nhiên liệu PEM bằng cách kiểm soát các thông số đầu vào của nó. Năng lượng 2017,
138, 437–445. [CrossRef]

52. Sezgin, B.; Caglayan, DG; Devrim, Y .; Steenberg, T.; Eroglu, I. Mô hình hóa và phân tích độ nhạy của pin nhiên liệu PEM nhiệt độ cao bằng cách sử

dụng Comsol Multiphysics. Int. J. Năng lượng Hydro 2016, 41, 10001–10009. [CrossRef]

53. Kakac, S.; Pramuanjaroenkij, A. .; Zhou, X. Một đánh giá về mô hình số của pin nhiên liệu oxit rắn. Int. J. Năng lượng Hydro 2007,
32, 761–786. [CrossRef]

54. Macedo-Valencia, J.; Sierra, J .; Figueroa-Ramírez, S.; Díaz, S.; Meza, M. Mô hình CFD 3D của một ngăn xếp pin nhiên liệu PEM. Int. J. Hydrogen

Năng lượng 2016, 41, 23425–

23433. [CrossRef]

55. Kone, J.-P.; Zhang, X. .; Yan, Y .; Ôm.; Ahmadi, G. CFD mô hình hóa và mô phỏng pin nhiên liệu PEM sử dụng OpenFOAM. Thủ tục Năng lượng 2018, 145, 64–
69 . [CrossRef]

56. Peksen, M. Chương 5 - Mô hình đa ngành về tương tác trong hệ thống. Trong Mô hình Đa ngành; Peksen, M., Ed .; Báo chí Học thuật: Cambridge, MA, USA,

2018; trang 139–159. [CrossRef]

57. Peksen, M. Gia nhiệt an toàn hệ thống SOFC quy mô đầy đủ bằng cách sử dụng tối ưu hóa mô hình đa vật lý 3D. Int. J. Năng lượng Hydro 2018, 43, 354–
362. [CrossRef]

58. Peksen, M. Mô hình nhiệt cơ số của pin nhiên liệu oxit rắn. Ăn xin. Năng lượng cháy. Khoa học. 2015, 48, 1–20. [CrossRef]

59. Peksen, M. Mô hình đa vật lý tạm thời 3D của một hệ thống pin nhiên liệu nhiệt độ cao hoàn chỉnh bằng cách sử dụng CFD và FEM kết hợp.

Int. J. Năng lượng Hydro 2014, 39, 5137–5147. [CrossRef]

60. Al-Masri, A.; Peksen, M.; Khanafer, K. Mô hình đa vật lý 3D hỗ trợ phát triển APU cho các ứng dụng xe: Điều tra kết cấu nhiệt. Int. J. Năng lượng

Hydro 2019, 44, 12094–12107. [CrossRef]

61. Tsiakmakis, S.; Fontaras, G.; Cubito, C.; Pavlovic, J.; Anagnostopoulos, K .; Ciuffo, B. Từ NEDC đến WLTP: Ảnh hưởng đến mức phát thải CO2 được phê

duyệt của phương tiện vận tải hạng nhẹ; Văn phòng xuất bản của Liên minh Châu Âu: Luxembourg, 2017. [CrossRef] 62. de Aguiar, P.; Bourguignon, B.;

Khots, M.; Massart, D.; Phan-Than-Luu, R. D. Các thiết kế tối ưu. Chemom. Giới thiệu. Phòng thí nghiệm. Syst. 1995, 30,
199–
210. [CrossRef]

63. Peksen, M.; Blum, L.; Stolten, D. Tối ưu hóa bộ định dạng pin nhiên liệu oxit rắn bằng cách sử dụng mô hình thay thế, thiết kế các thí nghiệm

và động lực học chất lỏng tính toán. Int. J. Năng lượng Hydro 2012, 37, 12540–
12547. [CrossRef]

64. Javadi, A.; Faramarzi, A. .; Ahangar-Asr, A. Một phương pháp phần tử hữu hạn dựa trên trí tuệ nhân tạo ngoài khơi gió Tur-Bines Xem dự án Tối ưu hóa

dự án xem hệ thống địa nhiệt nâng cao. 2009. Có sẵn trực tuyến: https://www.researchgate.net/ ấn phẩm / 260125327 (truy cập ngày 15 tháng 4 năm

2022).

65. Miraftabzadeh, S .; Longo, M.; Foiadelli, F.; Pasetti, M.; Igual, R. Những tiến bộ trong việc áp dụng các kỹ thuật học máy cho

Phân tích hệ thống điện: Một cuộc khảo sát. Năng lượng 2021, 14, 4776. [CrossRef]

66. Ông, Q.; Zheng, H.; Ma, X.; Vương, L.; Kong, H.; Zhu, Z. Ứng dụng trí thông minh nhân tạo trong hệ thống khử mặn sử dụng năng lượng tái tạo: Một

đánh giá quan trọng. Năng lượng AI 2021, 7, 100123. [CrossRef]

67. Nti, EK; Cobbina, SJ; Attafuah, EE; Opoku, E.; Gyan, MA Công nghệ Bền vững Môi trường trong Đa dạng Sinh học, Năng lượng,
Giao thông Vận tải và Quản lý Nước sử dụng Trí tuệ Nhân tạo: Một Đánh giá Hệ thống. Duy trì. Hợp đồng tương lai 2022, 4, 100068.
[CrossRef]
Machine Translated by Google

Xe 2022, 4 680

68. Ngụy, H.; Bảo, H.; Ruan, X. Phối cảnh: Dự đoán và tối ưu hóa các đặc tính vận chuyển nhiệt bằng phương pháp học máy.

Năng lượng AI 2022, 8, 100153. [CrossRef]

69. Zhao, X.; Li, B. Các biện pháp đối phó của kiểm soát rủi ro năng lượng đô thị theo định hướng máy học và tổng hợp dữ liệu. Đại diện năng lượng 2022,
8, 2547–2557. [CrossRef]
70. Gan, M.; Hou, H .; Ngô, X.; Lưu, B. .; Yang, Y. Xie, C. Lựa chọn thuật toán học máy để quản lý năng lượng thời gian thực của tàu năng lượng lai.

Báo cáo Năng lượng 2022, 8, 1096–1102. [CrossRef]

71. Bachute, MR; Subhedar, Kiến trúc lái xe tự hành JM: Thông tin chi tiết về thuật toán học máy và học sâu.

Mach. Học. Appl. 2021, 6, 100164. [CrossRef]

72. Nhai đi, AWZ; Zhang, L. Mô hình hóa đa cấp theo hướng dữ liệu và phân tích sự tiến hóa không gian của COVID-19 bằng cách sử dụng AI có thể giải
thích được. Duy trì. Thành phố Sóc. 2022, 80, 103772. [CrossRef] [PubMed]

73. Wang, Z. Sử dụng học máy có giám sát để phát hiện lạm dụng tên miền liên quan đến COVID-19. Tính toán. Bầu cử. Tiếng Anh 2022, 100, 107864. [CrossRef]
[PubMed]

74. Macpherson, T.; Nhà thờ, A.; Sejnowski, T.; DiCarlo, J.; Kamitani, Y. Takahashi, H.; Hikida, T. Trí tuệ nhân tạo và tự nhiên: Giới thiệu ngắn gọn về

tác động qua lại giữa AI và nghiên cứu khoa học thần kinh. Mạng thần kinh. 2021, 144, 603–
613.
[CrossRef] [PubMed]

75. Hassan, H.; Ren, Z; Chu, C.; Khan, MA; Pan, Y .; Zhao, J .; Huang, B. Mô hình học sâu được giám sát và giám sát yếu để chẩn đoán CT COVID-19: Một

đánh giá có hệ thống. Tính toán. Các chương trình Phương pháp Y sinh. 2022, 218, 106731. [CrossRef]

76. Syed, FI; AlShamsi, A.; Dahaghi, AK; Neghabhan, S. Ứng dụng ML & AI để mô hình hóa vật lý và địa cơ

đặc tính của các hồ chứa đá phiến sét — Một tổng quan tài liệu có hệ thống. Dầu mỏ 2022, 8, 158–
166. [CrossRef]

77. Elbasheer, M.; Longo, F.; Nicoletti, L.; Padovano, A. .; Solina, V .; Vetrano, M. Các ứng dụng của ML / AI cho các nhiệm vụ chuyên sâu về quyết định

trong Kế hoạch và Kiểm soát Sản xuất. Máy tính thủ tục. Khoa học. 2022, 200, 1903–1912. [CrossRef]

78. Vadyala, SR; Betgeri, SN; Matthews, JC; Matthews, E. Một đánh giá về máy học dựa trên vật lý trong kỹ thuật dân dụng. Kết quả

Tiếng Anh 2021, 13, 100316. [CrossRef]

79. Usman, A.; Rafiq, M.; Saeed, M.; Nauman, A. .; Almqvist, A.; Liwicki, M. Động lực học chất lỏng tính toán bằng máy học.
Trong Kỷ yếu Hội thảo Xã hội Trí tuệ Nhân tạo Thụy Điển (SAIS) năm 2021, Luleå, Thụy Điển, ngày 14–
15 tháng 6 năm 2021; trang 1–4.
[CrossRef]

80. Lv, M.; Zhao, J .; Cao, S.; Shen, T. Dự đoán về sự phân bố 3D của NOx trong lò thông qua dữ liệu CFD Dựa trên ELM. Đổi diện. Năng lượng Res. 2022,
10, 93. [CrossRef]

81. Calzolari, G.; Liu, W. Học sâu để thay thế, cải thiện hoặc hỗ trợ phân tích CFD trong các ứng dụng môi trường đã xây dựng: Đánh giá. Xây dựng.
Môi trường. 2021, 206, 108315. [CrossRef]

82. Malone, TW; Bernstein, MS Handbook of Collective Intelligence; MIT Press: Cambridge, MA, USA, 2015.

83. Fernández-Delgado, M.; Sirsat, M.; Cernadas, E.; Alawadi, S.; Barro, S .; Febrero-Bande, M. Một cuộc khảo sát thực nghiệm rộng rãi về các phương pháp

hồi quy. Mạng thần kinh. 2018, 111, 11–

34. [CrossRef]
84. Li, P.; Chen, S. Một bài đánh giá về Mô hình biến tiềm ẩn quá trình Gaussian. CAAI Trans. Giới thiệu. Technol. 2016, 1, 366–
376. [CrossRef]