Bibliographic record
Abstract
Contributeur majeur du secteur des mobilités, le transport ferroviaire présente un fort potentiel de croissance (passagers, fret) étant donné son rôle fondamental dans la transition écologique. Dans un contexte où plus de la moitié du réseau ferroviaire européen n’est pas électrifié, l’utilisation massive de trains diesel n’est plus compatible avec les objectifs de neutralité carbone à atteindre à l’horizon 2050. Les pouvoirs publics cherchent donc à verdir l’ensemble des mobilités en favorisant le transfert modal des mobilités vers le train et en remplaçant les flottes de trains diesel par des solutions 100 % décarbonées. L’introduction de piles à combustible hydrogène dans le ferroviaire est une alternative pertinente dans cette course à la décarbonation. Les profils des missions constitutives du rail représentent en effet un cas d’usage immédiat et préférentiel de l’hydrogène en réponse à des besoins massifs, prédictifs, localisables et pérennes. Cette technologie offre également des niveaux de performance élevés en termes d’autonomie, de vitesse, de capacité et de confort. Enfin, le déploiement à grande échelle de l’hydrogène sur tout le territoire européen contribuera à renforcer la compétitivité de ces solutions. Alstom a été pionnier dans l’utilisation de l’hydrogène dans le ferroviaire. Le groupe ferroviaire a conçu, développé et produit le premier train régional 100 % hydrogène, le Coradia iLint, lequel est en service commercial depuis 2018 en Allemagne. Le défi associé à l’intégration des différents éléments (pile à combustible, réservoirs, batteries…) a été relevé tout en maîtrisant les contraintes en matière de sécurité industrielle et d’exploitation. Une accélération des développements est néanmoins nécessaire afin d’étendre cette technologie à d’autres types de trains passagers (par exemple, le régional bi-mode) et aux locomotives de fret, tout en favorisant les synergies avec d’autres types d’applications comme le maritime ou le stationnaire.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.108 | 0.025 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".