MétaCan
Menu
Retour à la cohorte
Enregistrement W2609731227 · doi:10.2495/sdp-v12-n7-1192-1202

Reducing the energy consumption and increasing the efficiency of perishable goods transportation by refrigerated vehicles on urban routes

2017· article· en· W2609731227 sur OpenAlexvenueno aff
Dmitrii Zakharov, Elena Magaril, Petr Alexeyevich Kozlov

Notice bibliographique

RevueInternational Journal of Sustainable Development and Planning · 2017
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Supply Chain Traceability
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEnergy consumptionTransport engineeringConsumption (sociology)Efficient energy useEnvironmental economicsBusinessEnergy conservationEnvironmental scienceEngineeringEconomics

Résumé

récupéré en direct d'OpenAlex

Inefficient operation of distribution networks in transportation reduces the profits of commercial enterprises and increases the cost of goods for people.Using ineffective methods of ensuring cargo preservation leads to deteriorating consumer properties of goods, increased fuel consumption and an increase in the amount of harmful emissions from car exhaust gases.This enhances the negative impact of transport on the environment, especially in major cities, which makes the problem of ensuring cargo preservation and improving transport efficiency relevant.The objective of this work is to solve the problem of reducing the energy intensity of transportation and improving the efficiency of refrigerated vehicles in summer when delivering perishable goods (PGs) on urban routes.Factors that impact the energy intensity of PGs transportation by refrigerated vehicles are presented.When assessing the efficiency of refrigerated vehicles operation, it is proposed to take into account weather and transport operating conditions.An approach is formed to assessing the efficiency of refrigerated vehicles considering operating costs, cargo preservation costs, transportation energy intensity.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0070,002

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 Opus0,017
Tête enseignante GPT0,243
Écart entre enseignants0,226 · 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

Citations5
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Sustainable Development and PlanningMême sujetFood Supply Chain TraceabilityTravaux en français237 207