Greenhouse gas emission benefits of vehicle lightweighting: Monte Carlo probabalistic analysis of the multi material lightweight vehicle glider
Notice bibliographique
Résumé
Vehicle lightweighting reduces fuel cycle greenhouse gas (GHG) emissions but may increase vehicle cycle (production) GHG emissions because of the GHG intensity of lightweight material production. Life cycle GHG emissions are estimated and sensitivity and Monte Carlo analyses conducted to systematically examine the variables that affect the impact of lightweighting on life cycle GHG emissions. The study uses two real world gliders (vehicles without powertrain or battery) to provide a realistic basis for the analysis. The conventional and lightweight gliders are based on the Ford Fusion and Multi Material Lightweight Vehicle, respectively. These gliders were modelled with internal combustion engine vehicle (ICEV), hybrid electric vehicle (HEV), and battery electric vehicle (BEV) powertrains. The probability that using the lightweight glider in place of the conventional (steel-intensive) glider reduces life cycle GHG emissions are: ICEV, 100%; HEV, 100%, and BEV, 74%. The extent to which life cycle GHG emissions are reduced depends on the powertrain, which affects fuel cycle GHG emissions. Lightweighting an ICEV results in greater base case GHG emissions mitigation (10 t CO 2 eq.) than lightweighting a more efficient HEV (6 t CO 2 eq.). BEV lightweighting can result in higher or lower GHG mitigation than gasoline vehicles, depending largely on the source of electricity.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».