Impact of Lateral Alignment for Cooling Airflow during Heavy-Truck Platooning
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">A truck platooning system was tested using two heavy-duty tractor-trailer trucks on a closed test track to investigate the thermal control/heat rejection system sensitivity to intentional lateral offsets over a range of intervehicle spacings. Previous studies have shown the following vehicle can experience elevated temperatures and reduced airflow through the cooling package as a result of close-formation platooning. Four anemometers positioned across the grille of the following trucks as well as aligned and multiple offset positions are used to evaluate the sensitivity of the impact. Straight sections of the track are isolated for the most accurate airflow impact measurements and to be most representative of on-highway driving. An intentional lateral offset in truck platooning is considered as a controls approach to mitigate reduced cooling efficacy at close following scenarios where the highest platoon savings are achieved. The truck platooning system was tested at four gap distances from 9 to 23 meters and the following truck was either aligned with the lead or offset with a 25% width (0.65 m) or 50% width (1.3 m) lateral distance. The experimental results clearly show that offset driving is effective at bringing cooling airflow from 56% with an aligned platoon back up to 75%-80% with minimal impact to fuel savings. In addition, the offset driving can also reduce the trailing truck’s engine coolant temperature by 2°C and the corresponding underhood temperature rise by 10°C. The test outcomes indicate a plausible controls strategy to mitigate reduced cooling flow during hot-weather truck platooning while still enabling the highest-energy-saving, close-following scenarios.</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 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».