Spatial Planning of Electric Vehicle Infrastructure for Belo Horizonte, Brazil
Notice bibliographique
Résumé
In pursuit of a more sustainable transportation system, electric vehicles (EVs) have the potential to play a fundamental role due to their improved efficiency and lower emissions. The absence of an adequate electric vehicle supply equipment (EVSE) network has been one of the major obstacles for the mass adoption of EV, in large municipalities of developing countries. This is the case in Belo Horizonte (BH), Brazil, which also has a high motorization rate (7 light-duty vehicles per 10 inhabitants). The purpose of this study is to measure and identify the optimal locations for EVSE according to selected criteria to meet the needs of light-duty electric vehicles (LDEV) corresponding to a penetration of 1% by 2025 in the municipality of BH. The study highlights the most important attributes that need to be considered for the installation of an EVSE network in an urban space for a developing country. Multi-Criteria Decision Making (MCDM), the Weighted Linear Combination (WLC) method, and the Analytical Hierarchy Process (AHP) technique based on the inputs from a group of Brazilian electrical mobility specialists, coupled with a Geographic Information System (GIS) modeling tool, were used for this study. The results revealed that around 1,200 EVSE units are needed, with a large concentration of EVSE in a small region. We also illustrate where stakeholders should focus their attention for the successful promotion of EV. The development methodology has the potential to be applied in other future EVSE development projects.
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 ».