MétaCan
Menu
Retour à la cohorte
Enregistrement W7161815300 · doi:10.82308/38924

Comparative Analysis of the Performance of Conventional and Hybrid Electric Vehicles in Real-World Driving Conditions: Montreal Case Study

2023· dissertation· en· W7161815300 sur OpenAlexaboutno aff
Daisy Hsu

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineEngineering
ThématiqueElectric Vehicles and Infrastructure
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésStatistical analysisAlternative fuelsRoad transport

Résumé

récupéré en direct d'OpenAlex

Le remplacement des véhicules de tourisme à essence conventionnels par des technologies plus durables (telles que les véhicules hybrides ou entièrement électriques) est l'une des stratégies de réduction des émissions et de transition vers l'électrification dans le secteur des transports au Canada. Cette recherche a pour but d'étudier les performances des véhicules électriques hybrides (HEV) dans des conditions de conduite réelles et dans divers environnements routiers et conditions de température. Plus précisément, cette recherche comporte deux volets : i) étudier les performances des HEV en termes de consommation de carburant et d'émissions par rapport aux véhicules à essence conventionnels (non- HEV) en prenant des mesures en conditions réelles et ii) comparer les taux de consommation de carburant et d'émissions entre les HEV conventionnels et les véhicules électriques hybrides rechargeables (PHEV), y compris l'impact des conditions de température ambiante. Cette recherche est basée sur des données collectées dans la ville de Montréal, au Canada, en tant qu'étude de cas. Les effets de différents facteurs sur la consommation de carburant et les émissions sont analysés.Parmi les principaux résultats de cette étude, l'analyse statistique des expériences a montré que les véhicules électriques hybrides réduisent la consommation de carburant d'environ 33,5 % à 43,3 % et les émissions de dioxyde de carbone (CO2) d'environ 60,9 % à 66,3 %. Après prise en compte d'autres facteurs, les résultats des modèles de régression révèlent qu'en conduisant un HEV, le FCR peut diminuer d'environ 25,5 % et le taux d'émission de CO2 d'environ 55,7 %, par rapport aux véhicules à essence conventionnels. Cela correspond aux recherches antérieures sur les économies de carburant (en comparant les véhicules à essence conventionnels aux véhicules électriques hybrides) entre 20 et 45 % et à une fourchette similaire pour la réduction du CO2 entre 20 et 40 %. Les principaux facteurs qui influencent la consommation de carburant et les taux d'émission des véhicules électriques hybrides et non hybrides sont la vitesse du véhicule, l'accélération, la pente, le type de route et la température ambiante. Parmi ces facteurs, c'est la vitesse du véhicule qui a la plus grande influence sur les performances du véhicule (après le type de véhicule). Pour la vitesse, l'analyse des effets marginaux a révélé que pour chaque unité d'augmentation de la vitesse du véhicule, le FCR augmente de 25,2 % pour les HEV et de 50,9 % pour les non-HEV. Quant au taux d'émission de CO2, il diminue de 5,2 % pour les véhicules électriques hybrides et augmente de 51,3 % pour les véhicules électriques non hybrides pour chaque unité d'augmentation de la vitesse. L'accélération a un effet positif, mais faible, sur les performances : une augmentation de 1 % de l'accélération accroît le FCR d'environ 0,2 % et le CO2 d'environ 0,3 %. La pente a également un effet positif mais faible sur les performances. L'effet du type de route est mitigé dans le modèle de régression. Mais l'analyse statistique a révélé que le coefficient de réduction de la consommation et les émissions des véhicules autres que les HEV sont systématiquement plus élevés que ceux des HEV, quel que soit le type de route. Pour les véhicules autres que les VHE, les émissions sont plus élevées dans les rues locales que sur les autoroutes, alors que c'est l'inverse pour les HEV. Dans l'ensemble, les résultats de cette étude permettent de mieux comprendre les facteurs qui influencent la consommation de carburant et les taux de CO2 des véhicules électriques hybrides et des véhicules électriques non hybrides dans des conditions réelles

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,119
Score d'incertitude au seuil0,240

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,267
Écart entre enseignants0,257 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetElectric Vehicles and InfrastructureTravaux en français237 207