MétaCan
Menu
Retour à la cohorte
Enregistrement W3185349367 · doi:10.1115/es2021-62478

Feasibility Analysis of Refuelling Infrastructure for Compressed Renewable Natural Gas Long-Haul Heavy-Duty Trucks in Canada

2021· article· en· W3185349367 sur OpenAlexaffabout
Wahiba Yaïci, Michela Longo

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueElectric Vehicles and Infrastructure
Établissements canadiensNatural Resources Canada
Organismes subventionnairesnon disponible
Mots-clésTruckCompressed natural gasDiesel fuelHeavy dutyTransport engineeringGasolineAutomotive engineeringRenewable energyEnvironmental economicsEnvironmental scienceComputer scienceEngineeringWaste managementEconomics

Résumé

récupéré en direct d'OpenAlex

Abstract With environmental concerns and limited natural resources, there is a need for cleaner sources of energy in the transportation sector. Renewable natural gas (RNG) is being considered as a potential fuel for heavy-duty applications due to its comparable usage to diesel and gasoline in vehicles. The idea of compressed RNG vehicles is being proposed especially because it will potentially significantly reduce harmful emissions into the environment. This initiative is taken in order to decrease vehicle emissions and support Canada’s commitments to the climate plans reinforcing active transportation infrastructure, in concert with new transit infrastructure, and zero emission vehicles. This study examines the feasibility of implementing a nationwide network of compressed RNG refuelling infrastructure in order to accommodate a conversion of Canada’s long-haul, heavy-duty truck fleet from diesel fuel to RNG. Two methods, Constant Traffic and Variable Traffic, along with data about compressed RNG infrastructure and vehicles, were developed and used to predict fuelling requirements for Canada’s long-haul, heavy-duty truck fleet. Then, a detailed economic analysis was conducted on various test cases to estimate how different variables impact the final selling price of RNG. This provided insight with the understanding of what factors go into pricing RNG and if it can compete against diesel in the trucking market. Results disclosed that the cost to purchase RNG is the greatest factor in the final selling price of compressed RNG. Due to the variability in RNG production however, there is no precise cost, which makes predictions difficult. However, results revealed that it is possible for compressed RNG to be competitive with diesel, with the mean compressed RNG price being 16.5% cheaper than diesel, before being taxed. Future studies should focus on the feasibility of the production of RNG and the associated costs, with emphasis on the Canadian landscape. An in-depth analysis on operational and maintenance costs for compressed RNG refuelling stations may also provide predictions that are more accurate.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,069
Score d'incertitude au seuil0,216

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,209
Écart entre enseignants0,203 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetElectric Vehicles and InfrastructureTravaux en français237 207