TRANSFORMING PARKING FACILITIES TO ACCOMMODATE ELECTRIC VEHICLES: A CAPACITATED MULTI-FACILITY LOCATION PROBLEM APPROACH.
Notice bibliographique
Résumé
This study addresses the limitations of Electric Vehicles Charging Stations (EVCS) in Montréal, Québec. Momentum, the growth of Electric Vehicles (EVs) is projected to accelerate substantially. However, this growth is hindered by limited EVCS, particularly in shopping center settings where high cost and spatial limitations pose significant challenges. This study addresses these gaps by proposing an optimization model to support cost-effective EVCS placement. The problem employs Mixed-Integer Nonlinear Programming (MINLP), categorizing it as a capacitated multi-facility location allocation challenge. This approach is designed to minimize the total lifecycle costs for property owners, including costs related to equipment, electrical system equipment, operational and maintenance, fixed costs, and dismantling expenses. The optimization process involves determining the desired number of ports in the parking, based on the available estimation of the EV growth as a first step. Afterward, determining parking blocks based on the parking size to allocate the different types of ports into them. Then, various port type combinations, are distributed into all the generated block combinations. The proposed formulation is a Life Cycle Cost (LCC)-Based optimization designed to achieve minimum costs. The solution introduces a combinatorial optimization algorithm that combines dynamic programming and brute-force search to ensure all potential configurations are considered. In conclusion, this study provides a framework for shopping center owners to adapt their parking facilities to EVs. The proposed cost formulation provides a financially sustainable solution for EVCS placements. Through this approach, this study offers a practical method to enhance EV infrastructure within commercial indoor parking environments, balancing financial and logistical considerations
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».