Golfkenttäkaluston sähköistäminen
Bibliographic record
Abstract
Tässä insinöörityössä kartoitetaan golfkentänhoitoon käytettävien koneiden nykytilaa sekä tarkastellaan kentänhoidon sähköistämisen vaihtoehtoja. Nykyään käytössä olevat koneet ovat suurelta osin perinteisiä dieselhydraulikoneita, joiden korvaamiseen nykyaikaisemmilla käyttövoimatyypeillä on jo olemassa jotakin vaihtoehtoja, mutta suuri vallankumous on vielä tapahtumatta. Tavoitteena on tuottaa lähdemateriaalia sähkökäyttöisten koneiden markkinointiin. Insinöörityö pohjautuu tekijän omaan tietämykseen golfkentänhoidon alalta sekä konevalmistajalta ja maahantuojalta saatuihin tietoihin koneiden tekniikan ja hintojen osalta. Menetelminä työssä on käytetty haastattelua, sekä tapaustutkimusta jossa perinteisten polttomoottorikäyttöisten koneiden sijasta hoidettiin nurmea sähkökoneiden avulla. Lisäksi insinöörityöhön sisältyy kustannuslaskelma jossa vertaillaan sähkökäyttöisen ja perinteisen dieselkoneen kokonaiskustannuksia. \nSähkökoneiden tärkeimpiä valtteja ovat päästöttömyys, hiljaisuus, hydrauliöljyttömyys sekä huomattavasti alhaisemmat vuosittaiset käyttökustannukset niin polttoaineen kuin huoltojen osalta. \nMaailmanlaajuisesti sähkötoimiset golfautot ja muut kuljettimet ovat käytännössä jo syrjäyttäneet polttomoottorikäyttöiset, mutta on muutamia työtehtäviä joita tuskin koskaan saadaan suoritettua täysin sähköisesti. Toistaiseksi Suomen golfkentillä on yleisesti käytössä vain vähän sähkö- ja hybridikäyttöisiä leikkureita, mutta markkinoille on tullut jo runsaasti erilaisia vaihtoehtoja, ja jo nyt voitaisiin suuri osa golfkentän työtehtävistä hoitaa täysin päästöttömästi.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.057 | 0.063 |
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; both teacher heads agree on what is shown here.
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".