Optimal Fuel Selection Using a Hybrid VIKOR-TOPSIS Approach: A Comprehensive Analysis of Environmental Regulations and Road Transport Pollutant Emissions
Notice bibliographique
Résumé
The increasing global demand for fuel, driven by population growth and transportation expansion, has resulted in significant environmental and health challenges due to emissions from fossil fuels, particularly diesel.This study presents a hybrid Multi-Criteria Decision-Making (MCDM) approach that combines ViseKriterijumska Optimizacija I Kompromisno Resenje (VIKOR), Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS), and Criteria Importance Through Inter-Criteria Correlation (CRITIC) methods to evaluate and rank six fuel alternatives based on their performance and environmental impact.Key performance indicators, including brake thermal efficiency, exhaust gas temperature, mass flow rate, and air-fuel ratio, were analyzed to assess their effect on engine efficiency and pollutant emissions.The results showed that diesel with gasoline fumigation (D+GF) ranked first in most scenarios, including RC1 and RC5, while B20 (80% diesel, 20% biodiesel) ranked second in all cases except RC6, where it ranked third.B20 was found to be more suitable for highpollution areas due to its lower emissions.The study demonstrated that D+GF improved engine efficiency by 10% compared to pure diesel and reduced emissions by up to 15% under certain conditions.This research highlights the importance of adopting cleaner fuels and recommends integrating advanced MCDM techniques, such as fuzzy MCDM and machine learning-aided MCDM, for future assessments.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».