Британский журнал в Скопус, четвёртый квартиль (топливные технологии), International Journal of Vehicle Performance

Уважаемые коллеги, доброго времени суток! Представляем вам британское научное издание International Journal of Vehicle Performance. Журнал имеет четвёртый квартиль, издается в Inderscience Enterprises Ltd., его SJR за 2020 г. равен 0,148, печатный ISSN - 1745-3194, электронный - 1745-3208, предметные области - Топливные технологии, Моделирование и имитация, Автомобильная техника, Сопротивление материалов, Безопасность, риски, надежность и качество, Машиностроение, Прикладная наука о компьютерах. Вот так выглядит обложка:

https://www.inderscience.com/images/cover/scoverijvp.jpg

Редактором является Янг Хиаобо, контактные данные - xyang@oshkoshcorp.com, ijvpeditor@gmail.com.

Журнал стремится подчеркнуть возникающие проблемы и современные разработки, отвечающие меняющимся потребностям общества и мировой автомобильной промышленности, а также способствовать распространению технологических достижений, уделяя особое внимание показателям производительности, стандартизации, сопутствующим компромиссам в отношении стоимости и совместимости, а также множеству, т. е. методам решения при разработке транспортных средств.

Адрес издания - https://www.inderscience.com/jhome.php?jcode=ijvp

Пример статьи, название - Deep reinforcement learning-based energy management strategy for hybrid electric vehicles. Заголовок (Abstract) - In recent years, with the development of new energy vehicle industry, the development potential of hybrid electric vehicles (HEVs) is increasing. As one of the key technologies, energy management strategy (EMS) has always been a hot research area for HEVs. This paper proposed a deep Q-network (DQN) based EMS for a parallel HEV. Simulation results after training show that, compared with the EMS based on dynamic programming (DP), the DQN-based EMS can achieve 8.38% of the fuel consumption gap while the calculation time is only 12.5%. By the computational advantage of neural network, the average output time of an action in each state is 1ms, which has the potential for real-time applications. Since the final EMS is parameterised and fitted by deep neural networks (DNNs) of deep learning, it is necessary to find further methods for the actual experimental scheme instead of simulation in the future. Keywords: HEV; hybrid electric vehicle; energy management strategy; deep reinforcement learning.