Energy Efficiency Improvement of Diesel–Electric Trains Using Solar Energy: A Feasibility Study
Notice bibliographique
Résumé
Nowadays, productivity challenges in modern manufacturing systems have been the driving force in generating energy-efficient technologies in every industry, including diesel–electric locomotives. The diesel–electric locomotive is one of the most widely used methods in rail transportation, especially in North America. More precisely, the evolution of the electric transmission has allowed the locomotive’s effective tractive effort to increase its diesel engine horsepower. In this paper, we study a new way to improve the energy efficiency of diesel–electric trains using photovoltaic solar panels. This solution is suitable for reducing greenhouse gas emissions of the diesel–electric locomotive system, particularly in cold climates. We explore the amount of energy produced by the PV solar panels and compare it with that produced by the auxiliary diesel-generator during a train’s journey. This comparison clarifies the actual percentage of energy that solar panels can cover. Thus, this paper presents a validation of feasibility and profitability as a function of the train’s specific operating conditions and the meteorological data associated with their routes. Based on the results, the minimum annual fuel reduction of auxiliary generators allowed using PV solar panels is above 50% in all cases and wagon classes, proving this solution’s feasibility. Regarding the comparison, case 3 (Sept-Îles to Schefferville) and case 4 (Luxor to Aswan) are the best, with over 100% of the energy provided by PV solar panels in all the wagons’ classes. The payback period ranges from 2.5 years to 9.1 years, while the CO2 emission reduction’s revenues range from $460 to $998 per year/wagon.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».