Zero-Emission Heavy-Duty, Long-Haul Trucking: Obstacles and Opportunities for Logistics in North America
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
Background: Pressure is growing in North America for heavy-duty, long-haul trucking to reduce greenhouse gas (GHG) emissions, ultimately to zero. With freight volumes rising, improvement depends on zero-emissions technologies, e.g., battery electric vehicles (BEVs) and fuel cell electric vehicles (FCEVs). However, emissions reductions are constrained by technological and commercial realities. BEVs and FCEVs are expensive. Further, BEVs depend on existing electricity grids and FCEVs rely on steam–methane reforming (SMR) or electrolysis using existing grids to produce hydrogen. Methods: This study assembles publicly available data from reputable sources to estimate breakeven vehicle purchase prices under various conditions to match conventional (diesel) truck prices. It also estimates GHG emissions reductions. Results: BEVs face numerous obstacles, including (1) limited range; (2) heavy batteries and reduced cargo capacity; (3) long recharging time; and (4) uncertain hours-of-service (HOS) implications. On the other hand, FCEVs face two primary obstacles: (1) cost and availability of hydrogen and (2) cost of fuel cells. Conclusions: In estimating emissions reductions and economic feasibility of BEVs and FCEVs versus diesel trucks, the primary contributions of this study involve its consideration of vehicle prices, carbon taxes, and electricity grid capacity constraints and demand fees. As electricity grids reduce their emissions intensity, grid congestion and capacity constraints, opportunities arise for BEVs. On the other hand, rising electricity demand fees benefit FCEVs, with SMR-produced hydrogen a logical starting point. Further, carbon taxation appears to be less important than other factors in the transition to zero-emission trucking.
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 | 0,000 | 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 | 0,000 |
| 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 découle