Kuorma-auton muunnoshybridijärjestelmän suunnittelun pääkohdat
Bibliographic record
Abstract
Tiukentuvat päästörajoitukset sekä ilmastonmuutoksen herättämä yleinen kiinnostus ympäristönsuojeluun ovat lisänneet kysyntää vaihtoehtoisille polttoaineille ajoneuvomarkkinoilla. Hybriditeknologia on jo useita vuosia ollut saatavilla henkilöautoihin, mutta raskaaseen kalustoon sitä ei ole vielä juuri tarjolla. Eräänä ratkaisuna voisi toimia jälkiasenteinen muunnoshybridijärjestelmä nykyisiin kuorma-autoihin.\n\nTämän insinöörityön tavoitteena oli selvittää, mitä kuorma-autoon asennettavan, sähkökäyttöisen liikkeellelähtö- ja kiihdytysavustimen suunnittelussa on otettava huomioon. Mitkä ovat järjestelmän pääkomponentit, ja mitkä asiat vaikuttavat niiden valintaan? Selvitettäviä kohteita tarkasteltiin lähtökohtaisesti oletuksella, että järjestelmä ei olisi mekaanisesti yhteyksissä ajoneuvon perinteiseen voimalinjaan, vaan se asennettaisiin omalle akselille. Se siis toimisi erillisenä yksikkönä avustaen auton omaa polttomoottoria, tavoitteena polttoaineenkulutuksen ja päästöjen pienenentäminen. \n\nTyössä määritettiin vaatimukset järjestelmän ohjaukselle ja valvonnalle, jotta se toimisi mahdollisimman energiatehokkaasti ja siitä saisi parhaan hyödyn. Lisäksi vertailtiin perinteisten akkukennojen ja superkondensaattoreiden keskeisiä eroavaisuuksia sekä niiden toimivuutta järjestelmän energiavarastona.\n\nTyön tarkoituksena oli luoda pohja tarkemmalle suunnittelutyölle ja kustannusarvioiden laskennalle sekä selvittää, olisiko järjestelmää mahdollista valmistaa Suomen tieliikenteeseen ja millä rajoituksilla.\n\nTuloksena saatiin hyvä ja laaja yleiskuva järjestelmän vaatimuksista sekä vahvistus sille, että järjestelmän olisi Suomessa tieliikennelain mukainen. Lisäksi saatiin hyvä käsitys superkondensaattoreiden käyttömahdollisuudesta tällaisessa järjestelmässä.
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 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.019 | 0.005 |
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".