Comparative Analysis of the Performance of Conventional and Hybrid Electric Vehicles in Real-World Driving Conditions: Montreal Case Study
Bibliographic record
Abstract
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
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".