The Potential of Lightweight Materials and Advanced Combustion Engines to Reduce Life Cycle Energy and Greenhouse Gas Emissions
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">As lightweight materials and advanced combustion engines are being used in both conventional and electrified vehicles with diverse fuels, it is necessary to evaluate the individual and combined impact of these technologies to reduce energy and greenhouse gas (GHG) emissions. This work uses life cycle assessment (LCA) to evaluate the total energy and GHG emissions for baseline and lightweight internal combustion vehicles (ICVs), hybrid electric vehicles (HEVs) and plug-in hybrid electric vehicles (PHEVs) when they are operated with baseline and advanced gasoline and ethanol engines. Lightweight vehicle models are evaluated with primary body-in-white (BIW) mass reductions using aluminum and advanced/high strength steel (A/HSS) and secondary mass reductions that include powertrain re-sizing. Advanced engine/fuel strategies are included in the vehicle models with fuel economy maps developed from single cylinder engine models. Results show that while the ethanol engine has the highest efficiency and therefore, highest MPGe, the increased energy required to produce ethanol outweighs this benefit. The most life cycle energy and GHG reductions occur with aluminum, but the energy and GHG reduction per unit mass removed is greater for A/HSS. For the scenarios considered in this work, the least life cycle energy and GHGs are obtained with a lightweight PHEV with an aluminum BIW and advanced gasoline engine. Overall, results show that advanced gasoline and ethanol engines and lightweight materials provide complimentary benefits for conventional and electrified vehicles and will reduce life cycle energy and GHG emissions while playing a key role in meeting future CAFE standards.</div></div>
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».