Life Cycle Assessment of Vehicle Lightweighting: Novel Mathematical Methods to Estimate Use-Phase Fuel Consumption
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Lightweighting is a key strategy to improve vehicle fuel economy. Assessing the life-cycle benefits of lightweighting requires a quantitative description of the use-phase fuel consumption reduction associated with mass reduction. We present novel methods of estimating mass-induced fuel consumption (MIF) and fuel reduction values (FRVs) from fuel economy and dynamometer test data in the U.S. Environmental Protection Agency (EPA) database. In the past, FRVs have been measured using experimental testing. We demonstrate that FRVs can be mathematically derived from coast down coefficients in the EPA vehicle test database avoiding additional testing. MIF and FRVs calculated for 83 different 2013 MY vehicles are in the ranges 0.22-0.43 and 0.15-0.26 L/(100 km 100 kg), respectively, and increase to 0.27-0.53 L/(100 km 100 kg) with powertrain resizing to retain equivalent vehicle performance. We show how use-phase fuel consumption can be estimated using MIF and FRVs in life cycle assessments (LCAs) of vehicle lightweighting from total vehicle and vehicle component perspectives with, and without, powertrain resizing. The mass-induced fuel consumption model is illustrated by estimating lifecycle greenhouse gas (GHG) emission benefits from lightweighting a grille opening reinforcement component using magnesium or carbon fiber composite for 83 different vehicle models.
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.
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 | 0,000 |
| 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 découle