Optimal placement of hydrogen vehicle fueling stations using geographic information systems and multiple criteria decision-making
Notice bibliographique
Résumé
Recent advances in hydrogen production and storage have supported the growth of hydrogen fuel cell vehicles as a cleaner alternative to internal combustion engines under key conditions. These vehicles offer fast refueling and reduced emissions but face production and infrastructure challenges, especially the limited availability and high cost of hydrogen fueling stations (HFSs). This study focuses on Edmonton, Canada, and aims to identify optimal locations for HFSs by integrating multiple spatial and decision-making tools. A Geographic Information System-based suitability analysis was conducted using census data, traffic volumes, and city layout. Criteria weights were determined using the Entropy Weight Method and the Criteria Importance Through Intercriteria Correlation (CRITIC) method, revealing that gas station proximity (23.3%), major road proximity (14.3%), and slope (13.9%) were the most influential factors. The P-median model was then applied to select optimal HFS locations based on different scenarios. The optimal five-station configuration achieved broad geographic balance and placed approximately 120 000 residents, around 12% of Edmonton's population, within a 5 min drive. Coverage increased to 69% with 25 stations. All selected sites were located on or near existing gas stations or commercial parcels, improving feasibility. These findings offer a defensible, data-driven foundation for phased HFS deployment and provide valuable insights for transportation planning, land use policy, and the transition to clean energy in urban areas.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».