How hybrid-electric vehicles are different from conventional vehicles: the effect of weight and power on fuel consumption
Notice bibliographique
Résumé
An increasingly diverse set of hybrid-electric vehicles (HEVs) is now available in North America. The recent generation of HEVs have higher fuel consumption, are heavier, and are significantly more powerful than the first generation of HEVs. We compare HEVs for sale in the United States in 2007 to equivalent conventional vehicles and determine how vehicle weight and system power affects fuel consumption within each vehicle set. We find that heavier and more powerful hybrid-electric vehicles are eroding the fuel consumption benefit of this technology. Nonetheless, the weight penalty for fuel consumption in HEVs is significantly lower than in equivalent conventional internal combustion engine vehicles (ICEVs). A 100 kg change in vehicle weight increases fuel consumption by 0.7 l/100 km in ICEVs compared with 0.4 l/100 km in HEVs. When the HEVs are compared with their ICEV counterparts in an equivalence model that differentiates between cars and sports-utility vehicles, the average fuel consumption benefit was 2.7 l/100 km. This analysis further reveals that a HEV which is 100 kg heavier than an identical ICEV would have a fuel consumption penalty of 0.15 l/100 km. Likewise, an increase in the HEV's power by 10 kW results in a fuel consumption penalty of 0.27 l/100 km.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».