Raskaan liikenteen sähköistämispotentiaali Suomen pääteillä
Bibliographic record
Abstract
Tämän kandidaatintyön tavoitteena on selvittää akunvaihto- ja suurteholatausteknologian nykytilanne sekä raskaan liikenteen määrä valituilla Suomen valtateillä. Tämän pohjalta kandidaatintyössä selvitetään tarvittava latauskapasiteetti sähköistymisasteittain 10 %, 50 % ja 100 %, sen alueellinen jakauma sekä miten latausasemia tulisi sijoittaa maantieteellisesti. Tutkimus on rajattu vain yli 35 000 kg kokonaispainoltaan oleviin kuorma-autoihin. Kandidaatintyössä analysoidaan Fintrafficin ja Traficomin dataa raskaan liikenteen määristä valtatiekohtaisesti sekä kuorma-autojen kokonaismäärästä Suomessa viime vuosilta. Raskaan liikenteen kokonaismäärästä data on kerätty Autoalan tiedotuskeskukselta ja tämän pohjalta on arvioitu raskaan liikenteen sähköistämistä asteittain 10 %, 50 % ja 100 % sähköistämisasteilla. Kandidaatintyössä päädyttiin tulokseen, missä suurteholataus- ja akunvaihtoteknologian hyödyntäminen täydentävät toisiaan ja kumpaakin ratkaisua voitaisiin käyttää samanaikaisesti yhtenä ratkaisuna ja mahdollisena vaihtoehtona. Olisi siis mahdollista ladata sekä vaihtaa ajoneuvon ajoakku. Raskaan liikenteen sähköistämiseksi Suomessa vaaditaan lisää ja maan- tieteellisesti paremmin sijoiteltua latausinfrastruktuuria ja / tai akunvaihtoasemia. Lataus- ja / tai akunvaihtoasemia tulisi sijoittaa 60 kilometrin säteellä toisistaan ja tasaisesti ympäri Suomea Euroopan Unionin esityksen mukaisesti.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.030 | 0.006 |
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".