Effects of Vehicle Load on Emissions of Heavy-Duty Diesel Trucks: A Study Based on Real-World Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Vehicle loads have significant impacts on the emissions of heavy-duty trucks, even in the same traffic conditions. Few studies exist covering the differences in emissions of diesel semi-trailer towing trucks (DSTTTs) with different loads, although these vehicles have a wide load range. In this context, the operating modes and emission rates of DSTTTs were analyzed under varying loads scenarios to understand the effect of vehicle loads on emission factors. First, second-by-second field speed data and emission data of DSTTTs with different loads were collected. Then, the methods for calculating the scaled tractive power (STP) and the emissions model for DSTTTs were proposed to evaluate the effect of different loading scenarios. The STP distributions, emission rate distributions, and emission factor characteristics of different loaded trucks were analyzed and compared. The results indicated that the STP distributions of DSTTTs that under the unloaded state were more narrow than those under fully loaded or overloaded conditions. The emission rates of carbon dioxide (CO2), carbon monoxide (CO) and total hydrocarbon (THC) for DSTTTs under a fully loaded state were significantly higher than those under an unloaded state. However, due to the influence of exhaust temperature, the emission rates of nitrogen oxides (NOx) among fully loaded trucks were lower than those under the unloaded state when STP bin was above 4 kW/ton. The emission factors of CO2, CO, THC, and NOx for fully loaded trucks demonstrated the largest increases at low-speed intervals (0–30 km/h), which rose by 96.2%, 47.9%, 27.8%, and 65.2%, respectively.
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.
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 | 0,001 | 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 découle