MétaCan
Menu
Retour à la cohorte
Enregistrement W2323284951 · doi:10.1088/1748-9326/11/4/044001

Impact of non-petroleum vehicle fuel economy on GHG mitigation potential

2016· article· en· W2323284951 sur OpenAlexafffund
Jason M. Luk, Bradley A. Saville, Heather L. MacLean

Notice bibliographique

RevueEnvironmental Research Letters · 2016
Typearticle
Langueen
DomaineEnergy
ThématiqueEnergy, Environment, and Transportation Policies
Établissements canadiensUniversity of Toronto
Organismes subventionnairesAUTO21 Network of Centres of ExcellenceNatural Sciences and Engineering Research Council of Canada
Mots-clésGreen vehicleMiles per gallon gasoline equivalentGasolineGreenhouse gasCompressed natural gasPetroleumAutomotive industryContext (archaeology)Liquefied petroleum gasEnvironmental scienceEconomyFuel efficiencyNatural resource economicsAutomotive engineeringWaste managementEngineeringEconomics

Résumé

récupéré en direct d'OpenAlex

The fuel economy of gasoline vehicles will increase to meet 2025 corporate average fuel economy standards (CAFE). However, dedicated compressed natural gas (CNG) and battery electric vehicles (BEV) already exceed future CAFE fuel economy targets because only 15% of non-petroleum energy use is accounted for when determining compliance. This study aims to inform stakeholders about the potential impact of CAFE on life cycle greenhouse gas (GHG) emissions, should non-petroleum fuel vehicles displace increasingly fuel efficient petroleum vehicles. The well-to-wheel GHG emissions of a set of hypothetical model year 2025 light-duty vehicles are estimated. A reference gasoline vehicle is designed to meet the 2025 fuel economy target within CAFE, and is compared to a set of dedicated CNG vehicles and BEVs with different fuel economy ratings, but all vehicles meet or exceed the fuel economy target due to the policy's dedicated non-petroleum fuel vehicle incentives. Ownership costs and BEV driving ranges are estimated to provide context, as these can influence automaker and consumer decisions. The results show that CNG vehicles that have lower ownership costs than gasoline vehicles and BEVs with long distance driving ranges can exceed the 2025 CAFE fuel economy target. However, this could lead to lower efficiency CNG vehicles and heavier BEVs that have higher well-to-wheel GHG emissions than gasoline vehicles on a per km basis, even if the non-petroleum energy source is less carbon intensive on an energy equivalent basis. These changes could influence the effectiveness of low carbon fuel standards and are not precluded by the light-duty vehicle GHG emissions standards, which regulate tailpipe but not fuel production emissions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,041
Score d'incertitude au seuil0,081

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,012
Tête enseignante GPT0,274
Écart entre enseignants0,262 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations8
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnvironmental Research LettersMême sujetEnergy, Environment, and Transportation PoliciesTravaux en français237 207