Advances in Vehicle and Powertrain Efficiency of Long-Haul Commercial Vehicles: A Review
Notice bibliographique
Résumé
Mitigating CO2 emissions from long-haul commercial trucking is a major challenge that must be addressed to achieve substantial reductions in greenhouse gas (GHG) emissions from the transportation sector. Extensive recent research and development programs have shown how significant near-term reductions in GHGs from commercial vehicles can be achieved by combining technological advances. This paper reviews progress in technology for engine efficiency improvements, vehicle resistance and drag reductions, and the introduction of hybrid electric powertrains in long-haul trucks. The results of vehicle demonstration projects by major vehicle manufacturers have shown peak brake thermal efficiency of 55% in heavy-duty diesel engines and have demonstrated freight efficiency improvements of 150% relative to a 2009 baseline in North America. These improvements have been achieved by combining multiple incremental improvements in both engine and vehicle technologies. Powertrain electrification through hybridization has been shown to offer some potential reductions in fuel consumption. These potential benefits depend on the vehicle use, the details of the powertrain design, and the duty cycle. To date, most papers have focused on standard drive cycles, leaving a research gap in how hybrid electric powertrains would be designed to minimize fuel consumption over real-world drive cycles, which are essential for a reliable powertrain design. The results of this paper suggest that there is no “one-size-fits-all” solution to reduce the GHGs in long-haul trucking, and a combination of technologies is required to provide an optimum solution for each application.
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) | 0,001 | 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 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 ».