MétaCan
Menu
Retour à la cohorte
Enregistrement W1975328420 · doi:10.1115/jrc2012-74123

Moving Away From Diesel and Towards All-Electric Locomotives in North America: Planning and Logistics of Ultra-Capacitor/Battery Technology

2012· article· en· W1975328420 sur OpenAlexaff
E. Boozarjomehri, Ellen Morrison, Ingo Roth, Gordon Lovegrove

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueRailway Systems and Energy Efficiency
Établissements canadiensUniversity of British Columbia, Okanagan CampusUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésElectrificationIncentiveWork (physics)Battery (electricity)Zero emissionAutomotive industrySustainable transportBusinessTransport engineeringElectricityPower (physics)EngineeringSustainabilityElectrical engineeringEconomics

Résumé

récupéré en direct d'OpenAlex

This paper analyzes alternatives to carbon-based fuels, including ‘clean’ electric locomotive technology. Electrification of the North American railway network leaves many questions to be researched, such as: sufficient power capacity, ‘clean’ sources, distribution costs, infrastructure costs, logistics issues, legislative barriers, and resulting changes to business practises. A comprehensive review of incentives, logistics, and barriers was done to shed some light on emerging research needs to fill knowledge gaps in time to sustain industry competitiveness, and to meet the demands of a more sustainable future for North American freight, commuter, and tourism rail. Given prohibitively high costs and logistics of rail electrification, North American researchers have started focusing on ultra-capacitors and batteries. Previous research suggests that a hybrid capacitor/battery equipped locomotive would work, all within the existing envelope of locomotive chassis, and with much lower infrastructure costs. The transition in NA would be faster, at a much lower cost, including high speed passenger rail. However, no one has yet done the necessary research to verify this hypothesis.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,100
Score d'incertitude au seuil0,514

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,014
Tête enseignante GPT0,214
Écart entre enseignants0,200 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetRailway Systems and Energy EfficiencyTravaux en français237 207