Application of Real-Life On-Road Driving Data for Simulating the Electrification of Long-Haul Transport Trucks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The worldwide commitment to the electrification of road transport will require a broad overhaul of equipment and infrastructure. Heavy-duty trucks account for over one-third of on-road energy use. Electrified roadways (e-Hwys) are an emerging technology where electric vehicles receive electricity while driving via dynamic wireless power transfer (DWPT), which is becoming highly efficient, and can bypass the battery to directly serve the motor. A modeling study was undertaken to compare long-haul trucks on e-Hwys with conventional battery technology requiring off-road recharging to assess the most favorable pathway to electrification. Detailed data taken from on-road driving trips from five diesel transport trucks were obtained for this study. This on-road data provided the simulations with both real-life duty cycles as well as performance targets for electric trucks, enabling an assessment and comparison of their performance on e-Hwys or with fast recharging. Battery-only trucks were found to have lifetimes down to 60% original battery capacity (60% SOH) of up to 9 years with 1600 kWh packs, and were similar to conventional diesel truck performance. On e-Hwys smaller pack sizes in the 500 to 900 kWh capacity range were sufficient for the driving duty, and showed lifetimes upwards of 20 years, comparing favorably to the battery calendar life limit of about 26 years. For a 535 kWh battery pack, an e-Hwy DWPT level of 250 kW was sufficient for a 36 tonne truck to complete all the daily driving as defined by the diesel reference trucks, and reach a battery pack end of life point of 60% SOH.
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.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle