ASSESSMENT OF TRANSPORTATION GHG MITGATING SOLUTIONS
Notice bibliographique
Résumé
The passenger transportation sector is notoriously difficult to decarbonize. In this thesis, two distinct and novel methodologies to estimate the environmental impact of alternative and conventional transportation technologies are developed. In Chapter 2, a provincial fleet policy-driven linear programming model is developed to minimize the cost of three passenger vehicle electrification policies in Ontario under a 30% GHG reduction target by 2030. Provincial life-cycle emissions and total-cost-of-ownership associated with policy allocation is estimated. The results highlight that electrification of on-road passenger transportation will not be sufficient to meet the 30% reduction target despite Ontario's low-carbon electricity grid. Instead, reductions of between 24% to 26% are forecasted at an annual cost (for ten years) of between CAD 0.29 to 0.3 billion annually indicating that additional policies are necessary to realize a 30% reduction target. In Chapter 3, a trip-level vehicle framework is developed to determine under what operating conditions transit buses and passenger cars will be environmentally beneficial across the dimensions of technology, service mode, and power source pathway. The well-to-wheel energy consumption and GHG emissions are simulated for over 450 operating scenarios. Emissions are then normalized through passenger-trip emission thresholds to facilitate equivalent comparison across all dimensions. The results indicate that the most beneficial solution are fuel-cell electric car-share, battery electric car-share, and battery electric bus all powered by low-carbon intensity power sources at average occupancy (7.9-19.7 gCO2e passenger-service-mode-trip-km-travelled-1). Furthermore, transit bus technologies have the potential to reduce up to 2.3 times more GHG per passenger-trip than comparable ride-share passenger cars at average occupancies. The results of Chapter 2 and 3 highlight that technology alone may not be sufficient to achieve significant GHG reductions; policy which leverage local operating data and target GHG reduction associated with passenger-trips are critical to informing under what conditions a mobility solution is environmentally beneficial.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».