Assessment of Renewable Natural Gas Refueling Stations for Heavy-Duty Vehicles
Notice bibliographique
Résumé
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 significantly reduce harmful emissions into the environment. This study examines the feasibility of implementing a nationwide network of compressed RNG refueling infrastructure in order to accommodate a conversion of long-haul, heavy-duty (LHHD) 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 LHHD 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 challenging. 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. An in-depth analysis on operational and maintenance costs for compressed RNG refueling stations may also provide predictions that are more accurate. The methodology developed in this feasibility analysis may serve as a useful tool for future techno-economics of RNG refueling stations for other types of internal combustion engine (ICE) fleets or those powered with alternative green fuels.
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) | 0,000 | 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 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 ».