Investigating Route Gradient and Thermal Demand on Hydrogen Fuel Cell Electric Bus Energy Consumption
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">In 2022 in the UK, the transport sector was the largest single contributing sector to greenhouse gas emissions, responsible 34% of all territorial carbon dioxide emissions [<span class="xref">1</span>]. In the UK there is growing uptake in zero emission powertrain technologies, with the most promising variants based on battery electric or hydrogen fuel cell electric configurations. Given the limited number of fuel cell electric buses currently in operation in Europe, vehicle models and simulations are one of the few methods available to estimate energy consumption and provide the necessary increased confidence in operating range. This paper investigates the impact of route characteristics, thermal demand and coefficient of performance of different heat source configurations on the operational energy consumption of fuel cell electric buses. Using a MATLAB/Simulink model, the total energy demand of a vehicle operating in different route/elevation profiles is considered. The findings from this study show that implementing a waste heat recovery system, which recovers excess heat produced by the fuel cell system, in a traditional heat pump based HVAC system can reduce the amount of excess fuel consumption required for providing HVAC services by up to 70% over the course of a duty cycle, so long as high levels of waste heat can be recovered. It also shows that through the use of waste heat recovery systems it is possible to replace the heat pump based HVAC system with a much simpler positive temperature coefficient heater system and still achieve or improve upon the performance of a traditional heat pump based HVAC system.</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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,001 | 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 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 ».