マツダ技報2025

23/257

（10のTransmission˘) Yi˘YiYiYiLBCE)i)p13. 1Dモデルによる市場の燃費分布解析0.05NNより3.2解解析析モモデデルル3.2　解析モデル　本解析に使用する車両システムモデルをす。まずハードウェアの機能では，（車速を計算する車両モデル，（を計算するエンジンモデル，（を変換するトランスミッションモデルの構成となる。そしてソフトウェアの機能では，（要な駆動力とペダルポジションを計算するドライバーモデル，（る制御モデルの構成となる。また，今回の目的は車両システム内の詳細な熱挙動の解析ではなく，走行シナリオ月に取得の違いによる燃費分布の再現性の検証である。そのためサーマルモデルの連成は行わず，空調は非作動，エンジンの水温及び油温とトランスミッションの油温は暖機後1Dの温度を境界条件として設定する。なお本解析には，シミュレーションツールのSUITEは，ソフトウェアである。Fig. 1014Fig. 10に示）車両の加速度と）目標車速の追従に必GT-を使用する。により開発されたした確率分布である。(DpKL||q)Ni(xi)i3）（4（）損）01Y～N)i154）（2は12123452）abて～――マツダ技報No.41（2025） 　　　KL双方のダイバージェンスを算出すると，ともに以下となり，定量的にも各ヒストグラムの再現度が高いことを確認した。以上のことから本手法によるリアルワールドを再現した走行シナリオの生成が妥当であると推察する。　なお学習対象は識別器の真偽となるため，誤差関数はBCE 二値分類に用いる式（失とし，最適化アルゴリズムにはここで，0は正解のラベル（1ベル（の連続値）である。1Nlogを学習させる特性上，通常のGANつのNN計算が発散しやすいため，識別器の学習をに生成器の学習を回行うことで，学習の安定性を向上させた。3.1　検証データ　本章では，第章で検討したリアルワールドの走行シナリオの生成手法を用いて，車両システムモデルでの市場の実用燃費分布解析を行う。析に用いる検証データを示しており，うに今回は北米地域が対象のため，同地域の車両からCX-30収集したデータベースを使用する。対象車両はSKYACTIV-G 2.5を搭載したモデルの仕様とし，1406した全サンプルのデータから母集団と類似した燃費分布になるようにランダムで選択したFig. 9（データを用いる。る燃費分布であり，正規分布の傾向を示している。そし50）は，選択したFig. 9（布であり，この分布のデータと紐づく各車速と加速度のヒストグラムから車速パターンの生成を行い，モデルに入力する。Table 3Validation Target of Fuel Economy Distribution ProductSpecificationRegionPeriodSample Size50 (Sampled)/1406 (Population)(a)Distribution of Population(b) Distribution of Sampled DataFig.9 FuelEconomy Distribution ofValidationData Fuel Economy Distribution of Validation DataFig. 9）エンジンの燃料消費量）ギア段に応じて駆動力）ギアの変速とエンジンのスロットルを制御すGT-SUITEGamma Technologies, LLC1D Simulation Model for Fuel Economy Distribution Predictiontrueesttrueest(pxtrue(qxlogBinary Cross Entropy6）のAdam（を使用する。˘Y またはは予測のラ），(1log(1回実施ごとTable3では，本解2.4節で述べたよAT Automatic 2022年の月～50サンプルの）は，母集団の全データにおけサンプルのデータの燃費分PredictionCX-30SKYACTIV-G 2.5 / ATNorth AmericaFebruaryOctober, 2022