KI-unterstützte hybride Modellierung von Emissionen im hochtransienten Motorbetrieb
Seiten
In der Entwicklung emissionsarmer Antriebstechnologien bieten batterieelektrische Fahrzeuge durch den hohen Gesamtwirkungsgrad und die lokal emissionsfreie Betriebsweise einen vielversprechenden Lösungsansatz. Gleichzeitig stehen ihnen Herausforderungen wie die notwendige Ladeinfrastruktur und in der Regel geringere Reichweiten gegenüber. Hybridfahrzeuge können diese Nachteile kompensieren, indem sie die Vorteile elektrischer und konventioneller Antriebe vereinen.
Um das Potenzial von Hybridantrieben auszuschöpfen, sind Betriebsstrategien für die optimale Lastverteilung notwendig. Diese lassen sich effizient in virtuellen Umgebungen entwickeln, was unter anderem eine präzise Abbildung des Fahrzeugs erfordert. Vor diesem Hintergrund setzt sich die vorliegende Arbeit mit der Modellierung von Emissionen im hochtransienten Motorbetrieb auseinander. Neben den physikalisch-phänomenologischen Ansätzen kommen auch Methoden des Maschinellen Lernens (ML) zum Einsatz, die besonders bei dynamischen Fahrzyklen überzeugen.
Durch die Kombination beider Modellansätze (Hybridmodelle) wird eine noch genauere Emissionsvorhersage ermöglicht. Die Ergebnisse zeigen, dass das parallele Hybridmodell zu einer deutlichen Präzisionssteigerung (ca. 25 % gegenüber dem reinen ML-Modell) führt und durch eine effiziente Architektur für Echtzeit-Anwendungen prädestiniert ist. Dies gilt nicht nur für die vorliegende Problemstellung, sondern könnte sich auch auf andere Forschungsbereiche ausweiten lassen.
Um das Potenzial von Hybridantrieben auszuschöpfen, sind Betriebsstrategien für die optimale Lastverteilung notwendig. Diese lassen sich effizient in virtuellen Umgebungen entwickeln, was unter anderem eine präzise Abbildung des Fahrzeugs erfordert. Vor diesem Hintergrund setzt sich die vorliegende Arbeit mit der Modellierung von Emissionen im hochtransienten Motorbetrieb auseinander. Neben den physikalisch-phänomenologischen Ansätzen kommen auch Methoden des Maschinellen Lernens (ML) zum Einsatz, die besonders bei dynamischen Fahrzyklen überzeugen.
Durch die Kombination beider Modellansätze (Hybridmodelle) wird eine noch genauere Emissionsvorhersage ermöglicht. Die Ergebnisse zeigen, dass das parallele Hybridmodell zu einer deutlichen Präzisionssteigerung (ca. 25 % gegenüber dem reinen ML-Modell) führt und durch eine effiziente Architektur für Echtzeit-Anwendungen prädestiniert ist. Dies gilt nicht nur für die vorliegende Problemstellung, sondern könnte sich auch auf andere Forschungsbereiche ausweiten lassen.
| Erscheinungsdatum | 30.04.2025 |
|---|---|
| Reihe/Serie | Antriebe in der Fahrzeugtechnik ; 4 |
| Sprache | deutsch |
| Maße | 170 x 240 mm |
| Einbandart | Paperback |
| Themenwelt | Technik ► Maschinenbau |
| Schlagworte | Emissionen • Fahrzeugantriebe • Künstliche Intelligenz • Maschinelles Lernen • Simulation |
| ISBN-10 | 3-8325-5940-X / 383255940X |
| ISBN-13 | 978-3-8325-5940-3 / 9783832559403 |
| Zustand | Neuware |
| Informationen gemäß Produktsicherheitsverordnung (GPSR) | |
| Haben Sie eine Frage zum Produkt? |
Mehr entdecken
aus dem Bereich
aus dem Bereich
Buch | Softcover (2024)
Springer Vieweg (Verlag)
CHF 46,15
Lösungshinweise, Ergebnisse und ausführliche Lösungen
Buch | Softcover (2025)
Springer Fachmedien Wiesbaden GmbH (Verlag)
CHF 41,95
Buch | Softcover (2025)
Springer Vieweg (Verlag)
CHF 39,15
