Pickup Truck and Trailer Gross Vehicle Weight Study
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">The objective of this paper is to evaluate the dynamic performance of pickup truck - trailer configurations, using performance measures adopted by Commercial Vehicle Safety and Enforcement (CVSE). The pickup truck models are selected based on the US truck classification that segregates trucks on the basis of the vehicle’s gross vehicle weight ratings (GVWR). Three different types of trailers - gooseneck trailer, pintle hook trailer and three-axle trailer with parametric hitch - are utilized in this study. The truck-trailer configurations will be evaluated for static rollover threshold, load transfer ratio, rearward amplification, friction demand, lateral friction utilization, high speed, low speed and transient off tracking and three-point handling performance. These measures are based on definitions from Canada’s heavy vehicle weights and dimensions study. Payload weights and trailers are selected based on the current British Columbia regulations, maximum towing capacity of each pickup truck, and their maximum drive axle loads. The main purpose of this analysis is to computationally evaluate the stability and controllability of these vehicle configurations in a virtual environment at both low and high speeds. TruckSim - a commercial software package that predicts the dynamic performance of multi-axle vehicles in complex scenarios - will be utilized in this study. This software was developed to predict the directional and roll response of single and multiple articulated vehicles that approach rollover situations. This package has been extensively used by the industry to evaluate and validate various heavy vehicle configurations.</div></div>
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,001 | 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 ».