論文の概要: A Hybrid Surrogate for Electric Vehicle Parameter Estimation and Power Consumption via Physics-Informed Neural Operators

• arxiv url: http://arxiv.org/abs/2508.12602v1
• Date: Mon, 18 Aug 2025 04:01:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.95874
• Title: A Hybrid Surrogate for Electric Vehicle Parameter Estimation and Power Consumption via Physics-Informed Neural Operators
• Title（参考訳）: 物理インフォームドニューラル演算子を用いた電気自動車のパラメータ推定と電力消費のためのハイブリッドサロゲート
• Authors: Hansol Lim, Jongseong Brad Choi, Jee Won Lee, Haeseong Jeoung, Minkyu Han,
• Abstract要約: 電気自動車のパラメータ推定と電力消費のためのハイブリッドサロゲートモデルを提案する。 速度と加速度だけで、時変モーターと再生ブレーキ効率を出力する。 我々はTesla Model 3、Tesla Model S、およびKia EV9の実際のログを評価した。
• 参考スコア（独自算出の注目度）: 0.34952465649465553
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a hybrid surrogate model for electric vehicle parameter estimation and power consumption. We combine our novel architecture Spectral Parameter Operator built on a Fourier Neural Operator backbone for global context and a differentiable physics module in the forward pass. From speed and acceleration alone, it outputs time-varying motor and regenerative braking efficiencies, as well as aerodynamic drag, rolling resistance, effective mass, and auxiliary power. These parameters drive a physics-embedded estimate of battery power, eliminating any separate physics-residual loss. The modular design lets representations converge to physically meaningful parameters that reflect the current state and condition of the vehicle. We evaluate on real-world logs from a Tesla Model 3, Tesla Model S, and the Kia EV9. The surrogate achieves a mean absolute error of 0.2kW (about 1% of average traction power at highway speeds) for Tesla vehicles and about 0.8kW on the Kia EV9. The framework is interpretable, and it generalizes well to unseen conditions, and sampling rates, making it practical for path optimization, eco-routing, on-board diagnostics, and prognostics health management.
• Abstract（参考訳）: 電気自動車のパラメータ推定と電力消費のためのハイブリッドサロゲートモデルを提案する。 我々は、グローバルコンテキストのためのフーリエニューラル演算子バックボーンと前方パスにおける微分可能な物理モジュール上に構築された新しいアーキテクチャであるスペクトルパラメータ演算子を組み合わせる。 速度と加速だけから、時変モーターと再生ブレーキ効率、空気力学的抵抗、ローリング抵抗、有効質量、補助電力を出力する。 これらのパラメータは、物理学に埋め込まれたバッテリ電力の推定を駆動し、物理と残留損失を排除している。 モジュラー設計により、表現は車両の現在の状態と状態を反映する物理的に意味のあるパラメータに収束する。 我々はTesla Model 3、Tesla Model S、およびKia EV9の実際のログを評価した。 このサロゲートはTesla車の0.2kW(高速道路での平均トラクションパワーの約1%)とキアEV9の0.8kWという平均的な絶対誤差を達成している。 このフレームワークは解釈可能であり、未確認条件やサンプリング率によく対応し、経路最適化、エコルーティング、オンボード診断、予後の健康管理に実用的である。

関連論文リスト

• Deep Learning-Based Analysis of Power Consumption in Gasoline, Electric, and Hybrid Vehicles [0.29320870573989144]
  ICEモデルでは,平均絶対誤差と平均2乗誤差を10～3ドル,累積誤差を3%以下で達成した。 トランスフォーマーと長期短期記憶モデルは、それぞれ4.1%未満と2.1%未満の累積誤差を持つEVとHEVで最高の性能を示した。
  論文  参考訳（メタデータ） (2025-08-11T14:37:40Z)
• Integrating Physics and Data-Driven Approaches: An Explainable and Uncertainty-Aware Hybrid Model for Wind Turbine Power Prediction [1.1270209626877075]
  風力エネルギーセクターの急速な成長は、タービンの運転を最適化する緊急の必要性を浮き彫りにしている。 伝統的な経験的モデルと物理学に基づくモデルは、風速に基づく発電の近似予測を提供する。 データ駆動機械学習手法は、風力タービンモデリングを改善するための有望な道を示す。
  論文  参考訳（メタデータ） (2025-02-11T08:16:48Z)
• EV-PINN: A Physics-Informed Neural Network for Predicting Electric Vehicle Dynamics [0.3749861135832072]
  動的パラメータ(例えば、空力抵抗、ローリング抵抗)のオンボード予測は、EVの正確な経路計画を可能にする。 本稿では,物理情報を用いたニューラルネットワーク手法EV-PINNについて述べる。
  論文  参考訳（メタデータ） (2024-11-22T02:56:47Z)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• A Deep Learning Approach for Macroscopic Energy Consumption Prediction with Microscopic Quality for Electric Vehicles [0.0]
  本稿では,電気自動車の電力消費をマクロレベルでモデル化する機械学習手法を提案する。 エネルギー消費に影響を与えるすべての内部ダイナミクスは隠蔽されているが、集約レベルのエネルギー消費値がかなり正確に学習可能であることを示す。 このモデルは、リアルタイムの行動伝達モデルをサポートするために、POLARISトランスポーテーションシステムシミュレーションツールにデプロイされ、統合されている。
  論文  参考訳（メタデータ） (2021-11-25T01:20:32Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• Convolutional Neural Network-Bagged Decision Tree: A hybrid approach to reduce electric vehicle's driver's range anxiety by estimating energy consumption in real-time [9.475039534437332]
  畳み込みニューラルネットワーク(CNN)を用いてエネルギー消費量を推定するハイブリッドCNN-BDT手法が開発されている。 BDT (Bagged Decision Tree) は推定値を微調整するために用いられる。 既存の手法と比較すると、開発手法は最低で0.14の絶対エネルギー偏差でより良い推定値を提供する。
  論文  参考訳（メタデータ） (2020-08-31T12:45:15Z)
• Universal Battery Performance and Degradation Model for Electric Aircraft [52.77024349608834]
  電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。 我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。 このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
  論文  参考訳（メタデータ） (2020-07-06T16:10:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。