Araştırma, her tekerleğin bağımsız biçimde tahrik edilebildiği dağıtık tahrikli elektrikli araçlarda (Distributed Drive Electric Vehicles, DDEV) enerji tüketimini azaltmak amacıyla derin transfer öğrenmesine dayalı bir enerji yönetim stratejisi geliştirmektedir. Yöntem, sürekli eylem uzaylarında kullanılan Twin Delayed Deep Deterministic Policy Gradient (TD3) algoritmasını temel almakta; daha önce öğrenilmiş bir sürüş senaryosundaki sinir ağı parametrelerini yeni senaryolara aktararak her koşul değişiminde modeli sıfırdan eğitme ihtiyacını azaltmayı amaçlamaktadır. Buna ek olarak araştırmacılar, öğrenme algoritmasının ürettiği tork dağıtım kararlarını doğrudan uygulamak yerine frenleme kararlılığı ve rejeneratif enerji geri kazanımına ilişkin dinamik yürütme kısıtları eklemiştir.

Transfer mekanizmasında önce kaynak senaryo için TD3 politikası eğitilmekte, ardından öğrenilen ağ parametreleri hedef politikaya aktarılmaktadır. Genel özellikleri temsil ettiği kabul edilen gizli katman parametreleri dondurulurken karar üretiminde görev alan tam bağlı ve çıkış katmanları yeni sürüş senaryosuna göre ince ayarlanmıştır. Böylece algoritmanın önceki deneyimini koruyarak şehir, kasaba ve otoyol gibi farklı hız ve sürüş yapılarında daha kısa uyarlama süresi elde etmesi hedeflenmiştir.

Çalışmanın eğitim grafikleri, ilk görevden sonra yeni sürüş görevlerine geçişte DTL yaklaşımının yalnızca 4 ve 7 öğrenme adımında yakınsamaya ulaşabildiğini göstermektedir. Araştırmacılar toplam gerekli eğitim süresinin karşılaştırılan yöntemlere göre sırasıyla %42,53 ve %10,71; eğitim dalgalanmasının ise %63,11 ve %57,06 azaltıldığını bildirmektedir. Bu yüzdeler çalışmanın kendi DDPG ve TD3 karşılaştırmalarına aittir ve farklı donanım ya da araçlarda evrensel eğitim süresi kazancı olarak yorumlanmamalıdır.

CARLA tabanlı test çevriminde DTL, yüksek verimli motor çalışma bölgesindeki nokta sayısını 640'a çıkarmış; karşılaştırmada DDPG için 627 ve TD3 için 631 nokta bildirilmiştir. DTL'nin enerji tüketimi 2,17 kWh, çevrim sonu SOC değeri %73,3 ve çözüm süresi 10,36 saniye olarak verilmiştir. WLTC doğrulamasında ise DTL için 905 yüksek verimli motor çalışma noktası, 2,49 kWh enerji tüketimi, %72,3 son SOC ve 14,70 saniye çözüm süresi raporlanmıştır.

Bu sonuçlar gerçek bir seri üretim aracın yol testlerinden değil, araştırmada oluşturulan DDEV dinamik modeli ve CARLA tabanlı sürüş çevrimleri üzerinden gerçekleştirilen sayısal doğrulamalardan elde edilmiştir. Dolayısıyla enerji tüketimi, menzil veya kontrol kararlılığı açısından gerçek araç performansına doğrudan dönüştürülemez.

Türkiye açısından yöntem; elektrikli otobüsler, bağımsız teker motorlu elektrikli araçlar ve yazılım tanımlı güç aktarma sistemleri üzerinde çalışan araştırma ve geliştirme ekipleri için enerji yönetiminin farklı sürüş senaryolarına daha hızlı uyarlanması bakımından yöntemsel önem taşımaktadır. Ancak araştırmada Türkiye'ye özgü trafik çevrimleri, yol eğimleri, iklim koşulları, yerel filo verileri veya gerçek bir Türkiye saha testi bulunmamaktadır. Bu nedenle Türkiye'deki bir araç platformuna aktarım için ilgili aracın motor verim haritaları, batarya özellikleri, fren sistemi, yol tutunma koşulları ve gerçek sürüş verileriyle yeniden doğrulama gerekir.

Araştırmanın temel problemi nedir?

Dağıtık tahrikli elektrikli araçlarda tekerlek motorlarının birbirinden bağımsız kontrol edilebilmesi, aynı toplam çekiş veya frenleme talebinin farklı ön-arka tork dağılımlarıyla karşılanabilmesine olanak verir. Enerji yönetim sisteminin görevi, sürücünün istediği hareketi korurken motorları mümkün olduğunca yüksek verimli çalışma bölgelerinde işletmektir.

Model tabanlı optimizasyon yöntemleri bu problemi çözebilse de araştırmacılar bilinmeyen veya değişen sürüş koşullarında model uyuşmazlığı, gerçek zamanlı hesap yükü ve senaryoya bağımlılık gibi sorunlara dikkat çekmektedir. Derin pekiştirmeli öğrenme ise çevreyle etkileşim yoluyla enerji yönetimi politikası öğrenebilmekte, ancak klasik yaklaşımda sürüş senaryosu değiştiğinde yeniden eğitim gerekebilmektedir.

Çalışmanın önerdiği çözüm, TD3 algoritmasının farklı görevler arasında bilgi aktarabilen transfer öğrenmesi mekanizmasıyla birleştirilmesi ve öğrenilen kararların araç dinamiği açısından uygulanabilir kalması için yürütme kısıtlarının eklenmesidir.

Dağıtık tahrikli elektrikli araç nasıl modellenmiştir?

Araç modeli boylamsal araç hareketini, her tekerleğin dönme dinamiğini, lastik kuvvetlerini, dört bağımsız tekerlek motorunu, lityum demir fosfat bataryayı ve elektro-mekanik fren sistemini kapsamaktadır.

Araç boylamsal hareketinde çekiş kuvvetleri; eğim direnci, yuvarlanma direnci ve aerodinamik sürükleme ile birlikte ele alınmıştır. Boylamsal dinamiğin genel yapısı çalışmada şu biçimde verilmiştir:

\[ \delta m\dot{v}_x = \sum F_{xij} - mg\sin\theta - mgf_r\cos\theta - \frac{1}{2}\rho C_D A v_x^2 \]

Burada \(v_x\) boylamsal araç hızını, \(F_{xij}\) her lastiğin boylamsal kuvvetini, \(f_r\) yuvarlanma direnç katsayısını, \(\rho\) hava yoğunluğunu, \(C_D\) sürükleme katsayısını ve \(A\) ön alanı ifade etmektedir.

Frenleme ve hızlanma sırasında ön ve arka aks yüklerinin değişmesi ayrıca modellenmiş; lastiklerin doğrusal olmayan kuvvet üretimini temsil etmek için Magic Formula lastik modeli kullanılmıştır. Böylece tork dağıtımı yalnız ideal sabit aks yükleri üzerinden değerlendirilmemiştir.

Motor ve batarya modeli nasıl kurulmuştur?

Her tekerlek motoru bağımsız tork üretebilen bir elektrik motoru olarak modellenmiştir. Motor gücü; motor torku, motor devri ve motor verim haritasının fonksiyonu olarak hesaplanmıştır. Araştırmada motorların hem tahrik hem de rejeneratif çalışma durumları dikkate alınmaktadır.

Batarya için kısa dönem enerji tüketimine odaklanan lityum demir fosfat eşdeğer devre modeli kullanılmıştır. Yaşlanmaya bağlı kapasite kaybı araştırmanın kapsamına alınmamıştır. Batarya gücü, akımı ve SOC değişimi açık devre gerilimi ve iç direnç üzerinden hesaplanmıştır:

\[ P_{bat}(t)=U_{oc}(t)I(t)-R_{int}(t)I^2(t) \]

ve SOC:

\[ SOC(t)=SOC(0)-\frac{1}{Q}\int_0^t I(t)\,dt \]

şeklinde ifade edilmiştir.

Elektro-mekanik fren sistemi neden modele eklenmiştir?

Rejeneratif frenlemede tekerlek motorlarının üretebileceği negatif tork her durumda aracın talep ettiği toplam yavaşlamayı karşılamayabilir. Bu nedenle araştırmada motor frenlemesinin yanında Electro-Mechanical Brake (EMB) sistemi modellenmiştir.

EMB modeli kaliper sıkma kuvveti, fren sürtünme katsayısı, etkin disk yarıçapı, aktarma oranı ve vida adımı gibi büyüklükleri mekanik fren torkuyla ilişkilendirmektedir. Böylece enerji yönetim algoritmasının rejeneratif frenleme kararı, mekanik fren sisteminin katkısıyla birlikte değerlendirilmektedir.

DTL ajanının durum ve eylem uzayı nedir?

Araştırmada öğrenme ajanının durum vektörü aşağıdaki şekilde tanımlanmıştır:

\[ State=\{v_{ref},SOC,T_m,v_d,\mu_d\} \]

Burada \(v_{ref}\) referans araç hızını, SOC batarya doluluk durumunu, \(T_m\) motorla ilişkili tork bilgisini, \(v_d\) hız bozucusunu ve \(\mu_d\) yol tutunma katsayısı bozucusunu temsil etmektedir.

Ajanın eylemi ise ön ve arka akslar arasındaki tork dağılımını belirleyen:

\[ Action=\{\alpha \mid \alpha\in[0,1]\} \]

biçimindeki tork dağıtım katsayısıdır.

TD3 neden tercih edilmiştir?

DDPG sürekli eylem uzaylarında uygulanabilse de Q değerlerini olduğundan yüksek tahmin etme ve politika güncellemelerinde kararsızlık sorunlarına sahip olabilir. Çalışma bu nedenle TD3'ün üç temel özelliğini kullanmaktadır:

• İki ayrı critic ağından gelen Q tahminlerinin küçüğünün kullanılması,
• Actor ve hedef ağ güncellemelerinin geciktirilmesi,
• Hedef eyleme kırpılmış rastgele gürültü eklenerek hedef politikanın yumuşatılması.

Bu yapı, tork dağıtım kararının tek bir critic ağındaki aşırı iyimser tahmine bağımlılığını azaltmayı amaçlamaktadır.

Transfer öğrenmesi nasıl çalışmaktadır?

Önerilen yöntemin temel yeniliği, her yeni sürüş senaryosuna tamamen rastgele parametrelerle başlamamasıdır. Önce bir kaynak görevde TD3 politikası eğitilmektedir. Actor ve iki critic ağının öğrenilmiş parametreleri daha sonra sonraki hedef görevin başlangıç parametreleri olarak kullanılmaktadır.

Hedef ağda genel özellikleri temsil ettiği kabul edilen gizli katmanlar dondurulurken, tam bağlı ve çıkış katmanları yeni senaryoya göre güncellenmektedir. Araştırmacılar böylece önceki senaryoda öğrenilmiş genel enerji yönetimi bilgisinin korunmasını ve yalnız yeni göreve özgü karar katmanlarının yeniden ayarlanmasını hedeflemektedir.

Yürütme kısıtları neden önemlidir?

Bir pekiştirmeli öğrenme ajanının enerji açısından iyi görünen bir tork dağılımı üretmesi, bu kararın araç dinamiği açısından güvenli olduğu anlamına gelmez. Bu nedenle çalışma iki ayrı yürütme kısıtı eklemektedir: tork dağıtım kısıtı ve enerji geri kazanım kısıtı.

Tork dağıtım sınırları araç frenleme kuvveti, ön-arka aks yük transferi ve aderans kullanım katsayıları üzerinden oluşturulmuş ve ECE düzenlemelerinde kullanılan fren kararlılığı yaklaşımıyla sınırlandırılmıştır. Amaç ön veya arka aksın uygunsuz kilitlenmesi sonucu kayma ya da kararlılık kaybı riskini azaltmaktır.

Rejeneratif enerji geri kazanımı nasıl sınırlandırılmıştır?

Çalışmada rejeneratif frenleme ile elektro-mekanik fren arasındaki paylaşım için bulanık mantık yöntemi kullanılmıştır. Araştırmacılar araç hızı ile batarya SOC'sinin çok yüksek veya çok düşük olduğu koşullarda aşırı enerji geri kazanımının performans ve güvenlik açısından olumsuz olabileceğini belirterek geri kazanım katsayısını dinamik olarak sınırlandırmaktadır.

Kaynak tutarlılığı uyarısı: Bölüm 3.2.2'nin açıklama metni bulanık sistem girişlerini boylamsal hız \(v_x\) ve SOC olarak tanımlarken, Denklem 22'de kural “IF μ ... and vₓ ...” biçiminde verilmiştir. Bu nedenle ikinci giriş değişkeninin SOC mu yoksa yol tutunma katsayısı μ mu olduğu kaynakta tamamen tutarlı değildir. Bu Verianla metninde söz konusu boşluk dış bilgiden doldurulmamıştır.

CARLA sürüş çevrimi nasıl oluşturulmuştur?

Standart sürüş çevrimlerinin tek bir koşulu temsil etmesinin yetersiz kalabileceği düşüncesiyle CARLA tabanlı bir sürüş platformu kullanılmıştır. Araştırmanın Şekil 8'i direksiyon ve ekranlardan oluşan bir simülasyon çalışma istasyonu ile CARLA içindeki farklı sanal çevreleri göstermektedir.

Şekil 9'da 1200 saniyelik eğitim çevrimi üç göreve ayrılmıştır:

• Task 1: yaklaşık 0-400 saniye, Urban,
• Task 2: yaklaşık 400-800 saniye, Town,
• Task 3: yaklaşık 800-1200 saniye, Highway.

Bu yapı farklı hız seviyeleri ve sürüş senaryoları arasında ardışık politika aktarımını sınamak için kullanılmıştır.

Eğitim neden daha hızlı yakınsamıştır?

Bağımsız DDPG ve TD3 eğitimlerinin aksine DTL ardışık görevler arasında önceden öğrenilmiş ağı taşımaktadır. Şekil 10'da DDPG için yaklaşık 35, TD3 için 29 ve DTL'nin ilk görevi için 29 öğrenme adımıyla yakınsama işaretlenirken, aktarım yapılan ikinci ve üçüncü görevler yalnızca 4 ve 7 öğrenme adımında yeni koşula uyarlanmıştır.

Araştırmacılar bunun sonucunda DTL'nin toplam gerekli eğitim zamanını karşılaştırılan iki algoritmaya göre %42,53 ve %10,71; eğitim dalgalanmasını ise %63,11 ve %57,06 azalttığını bildirmektedir.

Çalışmanın desteklediği sonuçlar

• Öğrenilmiş TD3 ağ parametrelerinin yeni sürüş görevlerine aktarılması, incelenen simülasyonda sonraki görevlerin yakınsamasını hızlandırmıştır.
• DTL, CARLA ve WLTC çevrimlerinde DDPG ve TD3'e göre daha fazla motor çalışma noktasını yüksek verim bölgesinde toplamıştır.
• DTL için araştırmada bildirilen enerji tüketimi CARLA çevriminde 2,17 kWh ve WLTC çevriminde 2,49 kWh'dir.
• Dinamik tork dağıtım ve enerji geri kazanım sınırlamaları öğrenme politikasının doğrudan fiziksel komutlara dönüştürülmesi öncesinde uygulanmaktadır.
• Kaynak-hedef politika aktarımı, tamamen bağımsız yeniden eğitim yaklaşımına göre daha kısa adaptasyon göstermiştir.

Çalışmanın desteklemediği sonuçlar

• Strateji seri üretim bir araçta gerçek yol testinde doğrulanmamıştır.
• CARLA simülasyon sonuçları gerçek trafik koşullarındaki enerji tüketimi garantisi değildir.
• Batarya yaşlanması modele dahil edilmediğinden uzun dönem çevrim ömrü avantajı gösterilmemiştir.
• Çalışma bütün elektrikli araç mimarilerinde aynı enerji tasarrufunun elde edileceğini göstermemektedir.
• Yöntemin gerçek ECU donanımı üzerindeki hesaplama gecikmesi, bellek tüketimi veya güvenlik sertifikasyonu doğrulanmamıştır.
• Türkiye'ye özgü trafik, araç ve saha verileri kullanılmamıştır.

Çalışmanın Yöntemi ve Bulguları

Öğrenme parametreleri

CARLA çevrimi sonuçları

Şekil 13'ün enerji göstergesi grafik üzerinde “kW” olarak işaretlenmiştir; ancak sonuç metni DTL için enerji tüketimini açıkça 2,17 kWh olarak vermektedir. DDPG ve TD3 için grafik birimi bu nedenle burada sessizce kWh'ye dönüştürülmemiştir.

Motor çalışma noktası grafiklerinde DDPG'nin düşük verim bölgelerinde daha fazla nokta bıraktığı, TD3 ve DTL'nin ise özellikle arka tekerlek motorlarını daha yoğun kullandığı görülmektedir. Araştırmacılar DTL'nin senaryoya göre ağ parametrelerini güncellemesi sayesinde yüksek verim bölgelerinden daha fazla yararlanabildiğini yorumlamaktadır.

WLTC doğrulaması

Genelleme kabiliyetini değerlendirmek için eğitim çevriminden farklı olarak WLTC kullanılmıştır. Şekil 16'daki performans göstergeleri yüksek verimli motor çalışma noktası sayısını DDPG için 880, TD3 için 892 ve DTL için 905 olarak göstermektedir.

Şekil 16'da son SOC değerleri görsel olarak DDPG için %71,7, TD3 için %72,1 ve DTL için %72,3'tür. Aynı grafikte çözüm süreleri sırasıyla 15,88 s, 15,19 s ve 14,70 s olarak gösterilmiştir.

Enerji göstergeleri grafikte DDPG için yaklaşık 2,60, TD3 için 2,55 ve DTL için 2,49 olarak yer almakla birlikte grafik üzerindeki birim “kW” şeklindedir. Açıklama metni yalnız DTL'nin toplam çevrim enerji tüketimini açıkça 2,49 kWh olarak ifade etmektedir. Bu nedenle diğer değerlerin birimi kaynakta sessizce düzeltilmemiştir.

WLTC sonuçlarındaki SOC tutarsızlığı

WLTC sonuç metninde bir cümlede “battery SOC under DTL drops to 71.7%” ifadesi bulunmaktadır. Aynı paragrafın devamında DTL'nin nihai SOC'sinin %72,3 olduğu yazılmıştır. Şekil 16 ise %71,7 değerini DDPG, %72,1 değerini TD3 ve %72,3 değerini DTL olarak açıkça etiketlemektedir.

Bu nedenle bu Verianla açıklamasında Şekil 16'nın görünür sınıflandırması ayrıca belirtilmiş, fakat kaynak metindeki ilk “DTL %71,7” ifadesi hiç yokmuş gibi davranılmamıştır. Kaynağın kendi içinde etiketleme hatası bulunma olasılığı yüksektir.

Denklem 24'teki kaynak hatası

Çalışmada DTL ajanının çıktısının ön ve arka tekerlek tahrik/fren torklarına dönüştürülmesini tanımlayan Denklem 24'te iki ayrı satırda sol tarafta Tbfj kullanılmıştır. İkinci satırın arka aks fren torkunu temsil etmesi beklenebilecek olsa da kaynak bunu farklı bir sembolle vermemektedir. Ayrıca ikinci ifadede çıkarılan motor torku da Tdfj olarak tekrar edilmektedir.

Bu nedenle formül burada düzeltilmiş bir denklem olarak yeniden üretilmemiştir. Gerçek zamanlı kontrol uygulamasına aktarım öncesinde özgün yazar formülünün doğrulanması gerekir.

Çalışmanın yöntemsel güçlü yönleri

• Araç, lastik, motor, batarya ve elektro-mekanik fren alt modellerinin aynı enerji yönetim çerçevesinde değerlendirilmesi.
• TD3'ün çift critic, gecikmeli güncelleme ve hedef politika yumuşatma mekanizmalarının transfer öğrenmesiyle birleştirilmesi.
• Kaynak politikadaki parametrelerin yeni sürüş görevlerine aktarılması.
• Tork dağıtımı ve rejeneratif frenleme için yürütme kısıtlarının ayrıca modellenmesi.
• Şehir, kasaba ve otoyol özelliklerini içeren çok senaryolu eğitim çevriminin kullanılması.
• Eğitim çevriminden farklı WLTC koşulunda ayrıca doğrulama yapılması.

Temel sınırlılıklar

Araştırmanın sonuçları simülasyon ve model tabanlıdır. Fiziksel bir DDEV üzerinde yol testi, hardware-in-the-loop veya gerçek ECU üzerinde gömülü uygulama doğrulaması sunulmamıştır. Dolayısıyla raporlanan çözüm süreleri gerçek otomotiv kontrol biriminin hesaplama gecikmesiyle eşdeğer değildir.

Batarya yaşlanması çalışma kapsamına dahil edilmemiştir. Bu nedenle rejeneratif fren stratejisinin batarya çevrim ömrü, sıcaklığı veya uzun dönem kapasite kaybı üzerindeki etkisi belirlenmemiştir.

Yazarlar sonuç bölümünde eğitim karmaşıklığını azaltmak amacıyla sınırlı sayıda koşul özelliği ve basitleştirilmiş ağ yapısı kullandıklarını açıkça belirtmektedir. Bu nedenle daha geniş ortam değişkenlerinin eklenmesi yöntemin performansını ve eğitim gereksinimini değiştirebilir.

Ayrıca kaynakta rejeneratif fren bulanık sisteminin giriş değişkenleri ve Denklem 24'ün tork sembolleri açısından biçimsel tutarsızlıklar bulunmaktadır. Bunlar yöntemin gerçek araç kontrol koduna aktarılmasından önce doğrulanması gereken teknik ayrıntılardır.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: Deep Transfer Learning Based Energy Management Strategy for Distributed Drive Electric Vehicles Considering Execution Constraints

Yazarlar ve sıralama: Zexuan Han; Jiageng Ruan; Tianche Hou; Zhaowen Liang; Kai Liu.

Yazar afiliyasyonları: Zexuan Han, Jiageng Ruan ve Tianche Hou — Faculty of Mechanical and Energy Engineering, Beijing University of Technology, Beijing 100020, China. Zhaowen Liang ve Kai Liu — Foton AUV New Energy Bus Co., Ltd., Beijing 102200, China.

Eş katkı/eş birinci yazarlık: Yüklenen sürümde bildirilmemiştir.

Sorumlu yazar: Yüklenen sürümde sorumlu yazar işareti veya açık bir sorumlu yazar beyanı bulunmamaktadır.

Sorumlu yazar e-postası: Yüklenen sürümde verilmemiştir.

Kaynak türü: Dağıtık tahrikli elektrikli araç enerji yönetimi üzerine sayısal/model tabanlı araştırma preprinti.

Platform: SSRN.

SSRN kayıt numarası: 6934158.

DOI: 10.2139/ssrn.6934158.

Resmî preprint bağlantısı:SSRN 6934158

Hakemlik durumu: İncelenen sürüm hakem değerlendirmesinden geçmemiş bir preprinttir.

Yayın tarihi: Yüklenen sürüm üzerinde açık yayın tarihi bulunmamaktadır. Bibliyografik indeks kontrolünde 14 Haziran 2026 tarihi görülmektedir; doğrudan SSRN sayfası bu oturumda doğrulanamadığından bu tarih ikincil indeks bilgisi olarak değerlendirilmelidir.

Hakemli dergi sürümü: Bibliyografik kontrolde aynı başlıkla doğrulanmış ayrı bir hakemli dergi yayını tespit edilmemiştir. Bu nedenle bir dergi adı, hakemli yayın DOI'si veya yayınevi kaydı uydurulmamıştır.

Yöntem: TD3 tabanlı derin pekiştirmeli öğrenme; ağ parametre aktarımı ve katman ince ayarı yoluyla transfer öğrenmesi; DDEV boylamsal dinamik modeli; Magic Formula lastik modeli; tekerlek içi motor modeli; lityum demir fosfat eşdeğer batarya modeli; elektro-mekanik fren modeli; tork dağıtım kısıtları ve bulanık mantık tabanlı rejeneratif enerji geri kazanımı.

Eğitim ve test ortamı: CARLA tabanlı çok senaryolu sürüş platformu ve ayrıca WLTC doğrulama çevrimi.

Veri niteliği: Araştırmada sürüş platformundan toplanan simülasyon/operasyon verileri kullanılarak Urban, Town ve Highway görevleri içeren eğitim çevrimi oluşturulmuştur. Gerçek kamu yolunda toplanmış filo verisi olduğu gösterilmemiştir.

Finansman: Yüklenen sürümde ayrı bir finansman beyanı bulunmamaktadır.

Çıkar çatışması: Yüklenen sürümde ayrı bir çıkar çatışması beyanı bulunmamaktadır.

Veri erişilebilirliği: Ayrı bir veri erişilebilirliği beyanı bulunmamaktadır.

CRediT/yazar katkıları: Yüklenen sürümde ayrıntılı CRediT katkı beyanı bulunmamaktadır.

Lisans: Yüklenen sürümde açık bir Creative Commons veya eşdeğer yeniden kullanım lisansı tespit edilmemiştir. Bu nedenle özgün şekiller bu makalede bire bir yeniden yayımlanmamıştır.

Kaynak içi tutarsızlık 1: WLTC açıklama metni DTL için hem %71,7 hem %72,3 son SOC değeri vermektedir. Şekil 16'nın etiketleri DDPG %71,7, TD3 %72,1 ve DTL %72,3 şeklindedir.

Kaynak içi tutarsızlık 2: Enerji geri kazanım kısıtı bölümünün açıklaması bulanık sistem girişlerini hız ve SOC olarak belirtirken Denklem 22 μ ve hız değişkenlerini kullanmaktadır.

Kaynak içi tutarsızlık 3: Denklem 24'te arka aks fren torkunu temsil etmesi beklenen ikinci ifadede ön aks sembolleri tekrar edilmektedir. Denklem dış bilgiden düzeltilmemiştir.

Kaynak içi birim tutarsızlığı: Şekil 13 ve Şekil 16'nın enerji tüketimi grafiklerinde “kW” etiketi bulunurken açıklama metinleri DTL için sırasıyla 2,17 kWh ve 2,49 kWh kullanmaktadır.

Bilimsel sınır: Çalışma simülasyon ve sayısal araç modeli doğrulamasına dayanmaktadır. Seri üretim araç, gerçek yol, donanım-içinde-döngü, gerçek ECU veya uzun dönem batarya yaşlanma doğrulaması sunulmamaktadır.

Bilimsel içerik ilkesi: Bu Verianla açıklamasındaki yöntem, sayısal sonuçlar ve sınırlılıklar incelenen çalışmaya dayanmaktadır. Dış kaynaklar yalnız bibliyografik DOI ve indeks doğrulaması için kullanılmış, ana bilimsel anlatıya başka araştırmalardan yeni sonuç eklenmemiştir.