Energy Recovering Using Regenerative Braking in Diesel–Electric Passenger Trains: Economical and Technical Analysis of Fuel Savings and GHG Emission Reductions
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
Rail transport, specifically diesel–electric trains, faces fundamental challenges in reducing fuel consumption to improve financial performance and reduce GHG emissions. One solution to improve energy efficiency is the electric brake regenerative technique. This technique was first applied on electric trains several years ago, but it is still considered to improve diesel–electric trains efficiency. Numerous parameters influence the detailed estimation of brake regenerative technique performance, which makes this process particularly difficult. This paper proposes a simplified energetic approach for a diesel–electric train with different storage systems to assess these performances. The feasibility and profitability of using a brake regenerative system depend on the quantity of energy that can be recuperated and stored during the train’s full and partial stop. Based on a simplified energetic calculation and cost estimation, we present a comprehensive and realistic calculation to evaluate ROI, net annual revenues, and GHG emission reduction. The feasibility of the solution is studied for different train journeys, and the most significant parameters affecting the impact of using this technique are identified. In addition, we study the influence of electric storage devices and low temperatures. The proposed method is validated using experimental results available in the literature showing that this technique resulted in annual energy savings of 3400 MWh for 34 trains, worth USD 425,000 in fuel savings.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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