Användares erfarenheter av däckslitage hos elfordon : en enkät- och intervjustudie
Notice bibliographique
Résumé
Electrification of vehicles is considered as a solution to reduce climate gas emissions as well as locally emitted air pollution components due to zero exhaust emissions. Also brake wear emissions are expected to be reduced due to the use of regenerative2 braking. However, electric vehicles (EVs) have higher and more direct torque and can therefore accelerate fast. They are also generally heavier than equivalent internal combustion engine vehicles (ICEVs). These properties are hypothesized to lead to higher non-exhaust emissions from tyre and road wear as well as higher resuspension of road dust. On the other hand, driving behaviour in EVs might differ due to e.g. driving range issues. This study aims at investigating users’ experiences with tyre wear of EVs, Plug-in Hybrid Electric Vehicles (PHEVs) and Hybrid Electric Vehicles (HEVs). The study was done using web-based inquiries and interviews. Two formats of surveys, one for private users and one for professional users were prepared. The professional survey included taxi, bus transport and car rental companies. The survey to private owners was communicated to the public using an ad on Facebook and the survey to professional users was sent by emails to companies. Furthermore, some interviews were done by professional users. 307 users answered the survey to private users and 28 companies answered the survey of professional users. Furthermore, six representatives for companies were interviewed. The results showed that approximately 33% of private users and 12.5% of professional users experienced faster tyre wear in their EVs/HEVs/PHEVs, compared with tyre wear in ICEVs. Generally, for all electric vehicle types, most professional users experience similar tyre wear as for ICEVs. Vehicle acceleration and weight are the two most commonly mentioned reasons for faster tyre wear, while driving behaviour is the most commonly answered reason for slower tyre wear, compared to tyre wear in ICEVs
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,058 | 0,032 |
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 ».