Raskaan liikenteen sähköistämispotentiaali Suomen pääteillä
Notice bibliographique
Résumé
Tämän kandidaatintyön tavoitteena on selvittää akunvaihto- ja suurteholatausteknologian nykytilanne sekä raskaan liikenteen määrä valituilla Suomen valtateillä. Tämän pohjalta kandidaatintyössä selvitetään tarvittava latauskapasiteetti sähköistymisasteittain 10 %, 50 % ja 100 %, sen alueellinen jakauma sekä miten latausasemia tulisi sijoittaa maantieteellisesti. Tutkimus on rajattu vain yli 35 000 kg kokonaispainoltaan oleviin kuorma-autoihin. Kandidaatintyössä analysoidaan Fintrafficin ja Traficomin dataa raskaan liikenteen määristä valtatiekohtaisesti sekä kuorma-autojen kokonaismäärästä Suomessa viime vuosilta. Raskaan liikenteen kokonaismäärästä data on kerätty Autoalan tiedotuskeskukselta ja tämän pohjalta on arvioitu raskaan liikenteen sähköistämistä asteittain 10 %, 50 % ja 100 % sähköistämisasteilla. Kandidaatintyössä päädyttiin tulokseen, missä suurteholataus- ja akunvaihtoteknologian hyödyntäminen täydentävät toisiaan ja kumpaakin ratkaisua voitaisiin käyttää samanaikaisesti yhtenä ratkaisuna ja mahdollisena vaihtoehtona. Olisi siis mahdollista ladata sekä vaihtaa ajoneuvon ajoakku. Raskaan liikenteen sähköistämiseksi Suomessa vaaditaan lisää ja maan- tieteellisesti paremmin sijoiteltua latausinfrastruktuuria ja / tai akunvaihtoasemia. Lataus- ja / tai akunvaihtoasemia tulisi sijoittaa 60 kilometrin säteellä toisistaan ja tasaisesti ympäri Suomea Euroopan Unionin esityksen mukaisesti.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,008 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».