Adapting Basic On-Road Data to the Heavy Heavy-Duty Diesel Truck Schedule for Guiding the Electrification of Long-Haul Truck Transport
Notice bibliographique
Résumé
<div>Heavy heavy-duty diesel truck (HHDDT) drive cycles for long-haul transport trucks were developed over 20 years ago and have a renewed relevance for performance assessment and technical forecasting for transport electrification. In this study, a model was constructed from sparse data recorded from the real-life on-road activity of a small fleet of class 8 trucks by fitting them into separate driving-type segments constituting the complete HHDDT drive cycle. Detailed 1-s resolution truck fleet raw data were also available for assessing the drive cycle model.</div> <div>Numerical simulations were conducted to assess the model for trucks powered by both 1.0 MW charging and 300 kW-level e-Highway, accounting for elevation and seasonally varying climate conditions along the Windsor–Quebec City corridor in Canada. The modeling approach was able to estimate highway cruising speeds, energy efficiencies, and battery pack lifetimes normally within 2% of values determined using the detailed high-resolution on-road raw data.</div> <div>HHDDT drive cycles derived from sparse data can be considered fully satisfactory for long-haul truck simulations for electrification planning. Further, it was shown that the virtual electric truck as specified here can perform the same duty cycle as diesel trucks are currently doing in the same amount of time on e-Hwys, and requiring less an hour per day additional time for the 1.0 MW charger modality.</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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,003 | 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 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 ».