MétaCan
Menu
Retour à la cohorte
Enregistrement W4308717649 · doi:10.3917/rindu1.224.0101

Le train à hydrogène

2022· article· fr· W4308717649 sur OpenAlexaff
Stéphane Kaba, L. Dufour

Notice bibliographique

RevueAnnales des Mines - Réalités industrielles · 2022
Typearticle
Languefr
DomaineEngineering
ThématiqueRailway Systems and Energy Efficiency
Établissements canadiensCentre intégré universitaire de santé et de services sociaux de la Mauricie-et-du-Centre-du-Québec
Organismes subventionnairesnon disponible
Mots-clésPolitical scienceHumanitiesRail transportationArtTransport engineeringEngineering

Résumé

récupéré en direct d'OpenAlex

Contributeur majeur du secteur des mobilités, le transport ferroviaire présente un fort potentiel de croissance (passagers, fret) étant donné son rôle fondamental dans la transition écologique. Dans un contexte où plus de la moitié du réseau ferroviaire européen n’est pas électrifié, l’utilisation massive de trains diesel n’est plus compatible avec les objectifs de neutralité carbone à atteindre à l’horizon 2050. Les pouvoirs publics cherchent donc à verdir l’ensemble des mobilités en favorisant le transfert modal des mobilités vers le train et en remplaçant les flottes de trains diesel par des solutions 100 % décarbonées. L’introduction de piles à combustible hydrogène dans le ferroviaire est une alternative pertinente dans cette course à la décarbonation. Les profils des missions constitutives du rail représentent en effet un cas d’usage immédiat et préférentiel de l’hydrogène en réponse à des besoins massifs, prédictifs, localisables et pérennes. Cette technologie offre également des niveaux de performance élevés en termes d’autonomie, de vitesse, de capacité et de confort. Enfin, le déploiement à grande échelle de l’hydrogène sur tout le territoire européen contribuera à renforcer la compétitivité de ces solutions. Alstom a été pionnier dans l’utilisation de l’hydrogène dans le ferroviaire. Le groupe ferroviaire a conçu, développé et produit le premier train régional 100 % hydrogène, le Coradia iLint, lequel est en service commercial depuis 2018 en Allemagne. Le défi associé à l’intégration des différents éléments (pile à combustible, réservoirs, batteries…) a été relevé tout en maîtrisant les contraintes en matière de sécurité industrielle et d’exploitation. Une accélération des développements est néanmoins nécessaire afin d’étendre cette technologie à d’autres types de trains passagers (par exemple, le régional bi-mode) et aux locomotives de fret, tout en favorisant les synergies avec d’autres types d’applications comme le maritime ou le stationnaire.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,760
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,033
Tête enseignante GPT0,221
Écart entre enseignants0,188 · 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 tête enseignante, pas un consensus.

Devis d'étudeSans objet
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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnales des Mines - Réalités industriellesMême sujetRailway Systems and Energy EfficiencyTravaux en français237 207