Aerodynamic Drag of Road Vehicles in Close Lateral Proximity
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Aerodynamic interaction between vehicles on a roadway can modify the fuel use and greenhouse gas emissions of the vehicle relative to their performance under isolated, uniform-wind conditions. A comprehensive wind-tunnel study was undertaken to examine changes to the aerodynamic drag experienced by vehicles in close proximity, in adjacent lanes. Wind-load measurements were conducted for two general configurations: 15%-scale testing with light-duty-vehicle (LDV) models, and 6.7%-scale testing with a heavy-duty vehicle (HDV) model. For the LDV study, a DrivAer model was tested with a proximate AeroSUV model or an Ahmed model at lateral distances representing 75%, 100%, and 125% of a typical highway lane spacing, and for longitudinal distances up to 2 vehicle lengths forward and back. Commensurate measurements were conducted for the AeroSUV model with the proximate DrivAer or Ahmed model. For the HDV study, a tractor-trailer model was tested with a single or combination of adjacent-lane models. Measurements were conducted over a range of yaw angles, permitting wind-averaged-drag evaluations.</div><div class="htmlview paragraph">Changes in drag coefficient on the order of 25% or more were observed, relative to isolated-vehicle conditions. Adjacent-lane proximity-vehicle effects can increase or decrease the drag of a vehicle, with the strongest effects being an increase when vehicle models are side-by-side or when an HDV has its aft end coincident with another vehicle. The LDV-model pairing demonstrated that, for a two-vehicle arrangement, the increased drag on one vehicle can be offset by the decrease in drag on the other, and that proximity-vehicle effects should be examined in the context of the overall vehicle-system performance.</div></div>
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».