Notice bibliographique
Résumé
Commercial medium and heavy vehicles, though only a small portion of total vehicle population, play a significant role in energy consumption. In 2012, these vehicles accounted for about 5775.5 trillion btu of energy consumption and 408.8 million tons of CO2 emissions annually, which is a quarter of the total energy burden of highway transportation in the United States [1]. This number is expected to surpass passenger car fuel use within the next few decades. In the meantime, most commercial vehicle fleets are running at a very low profit margin. It is a well known fact that fuel economy can vary significantly between drivers, even when they operate the same vehicle on the same route. According to the US Environmental Protection Agency (EPA) and Natural Resource Canada (NRCan), there is up to 35% fuel economy difference between drivers within the same commercial fleet [2] [3], [4]. Similar results were obtained from a Field Operation Test conducted by Eaton Corporation [5]. During this test as much as 30% fuel economy difference was observed among pick-up-and-delivery drivers and 11% difference was observed among line-haul drivers. The driver variability can be attributed to the fact that different drivers react differently to driving conditions such as road grade, traffic, speed limits, etc. For instance, analysis of over 600k miles of naturalistic heavy duty truck driving data [5] indicates that an experienced driver anticipates a downhill and eases up on the throttle to save fuel while an inexperienced driver lacks this judgment.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».