A Well-to-Wheel Analysis of Greenhouse Gas Emissions from Passenger Vehicles in Thailand: Strategies for Enhancing Sustainable Transportation
Notice bibliographique
Résumé
This paper aims to analyze greenhouse gas (GHG) emissions from passenger vehicles with a particular focus on comparing EVs and internal combustion engine vehicles (ICEVs) using various ratios of ethanol and gasoline blends in Thailand.For this purpose, four passenger vehicle models of both EVs and ICEVs are selected based on their power output and popularity in Thailand, and their GHG emissions are analyzed by employing a well-to-wheel (WTW) analysis.The results indicate that EVs achieve over a 60% reduction in GHG emissions compared to ICEVs running on gasoline.Interestingly, blending ethanol with gasoline has resulted in more than a 50% decrease in GHG emissions compared to using pure gasoline.Despite the considerable benefits of EVs, the transition from ICEVs to EVs could potentially impact the biofuel and agricultural sectors, directly influencing the Thai economy and society due to its agricultural-based economy.To achieve a balanced transitional pathway from ICEVs to EVs, this paper suggests adopting several strategies, for example, continuing to blend biofuels with petroleum products until the full adoption of EVs, shifting biofuels from transportation to electricity generation, and advancing technology to develop new biofuel products.These strategies could provide valuable insights for future research on GHG emissions mitigation and offer a basis for evaluating the effectiveness of decarbonization policies in Thailand.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».