機車油耗查詢的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

奈米石墨烯機油基礎性質與實車應用之研究

為了解決機車油耗查詢的問題，作者楊顯皓 這樣論述：

本研究將奈米石墨烯添加到PGO SL 10W/40 原廠機油中，後續進行基礎性質及實車試驗。基礎性質實驗包括沉降試驗、磨潤試驗、黏度試驗、比熱試驗以及熱傳導試驗；實車試驗包含ECE-40、定速(50 km/h)、平路與爬坡試驗，同時觀察各測試項目數據，分別為引擎性能、廢氣排放、粒狀汙染物、實車溫度測試。在基礎性質試驗中，沉降試驗發現，在觀察沉澱現象的第30天之後，懸浮性最佳濃度為0.01 wt.%。磨潤試驗顯示，0.1 wt.%的磨潤效果最佳，其改善率為72.34 %。黏度試驗顯示，0.03 wt.%在高溫狀態下黏度平均下降了26.51 %。比熱試驗顯示，0.03 wt.%較原廠機油平均下降

11.76 %。熱傳導試驗顯示，0.03 wt.%熱傳導係數平均提升10.43 %。最後，由綜合評比顯示，0.03 wt.%為最佳比例。實車試驗中， ECE-40與定速(50 km/h)之平均能源效率改善3.27 %，實車溫度表明，機油溫度的改善率能在5 %以內，高燃燒效率讓引擎室相關件構呈現高溫狀態。廢氣及粒狀污染物排放結果顯示，ECE–40 行車型態下奈米石墨烯機油之CO2的排放量大於原廠機油，小粒徑顆粒數比原廠機油還要多。在定速行車型態、平路以及爬坡行車型態下，結果顯示奈米石墨烯機油的CO2排放量與PM排放量都比原廠機油還要少。

以人工神經網路方法推估車輛污染排放之系統構建

為了解決機車油耗查詢的問題，作者蔡承都 這樣論述：

台灣現行的汽油車輛污染排放檢測大多仍是以定容採樣系統檢測車輛於底盤動力計上隨著固定行車型態行駛的污染排放，而以此檢測方法不僅會限制於只能在標準實驗室內進行，採樣所需的成本也較高，甚至沒有辦法正確的表達出車輛在真實路徑上的污染排放。儘管隨著全球調和輕型車輛測試程序WLTP被提出，但仍會因為各國各地區的道路差異造成排放檢測結果與真實結果有差異。在本研究中首先以機車行駛於台中市區中進行了三條路徑的速度採樣，包括短程市區路徑、標準市區路徑、郊區路徑。透過速度分析便可明顯的看出三條路徑與台灣法規標準行車型態NEDC皆有明顯差異，而我們亦將車輛架設於底盤動力計上重新模擬出此三條真實路徑並進行污染排放的採

樣，發現三條路徑排放的HC、CO、NO及油耗彼此皆有差異。而透過連續瞬時污染排放圖，我們發現HC、CO在加減速的時候有明顯的大幅上升，在等速行駛時會略高於怠速時的排放濃度，而NOx則會隨著速度上升而增加。由此可看出在不同的道路環境下，不管是道路上的速限、紅綠燈數量、駕駛本身的行駛習慣等因素都會影響車輛的污染排放，因此以移動式車輛污染檢測系統(Portable Emission Measurement System, PEMS)對車輛做真實路徑上的瞬時檢測是量測正確車輛污染排放的必要方法。 在柴油車輛的正式認證程序上，以PEMS進行污染量測已經成為程序中的一環，但此系統較為昂貴、並且具有一

定體積，必須占用車輛部分空間，因此仍無法普及做為大量使用的監測設備。本研究以Horiba-584L廢氣分析儀配合熱線式進氣流量計及熱電耦溫度計做採樣，將三樣設備的瞬時數據整合與筆記型電腦裡做瞬時監測與統計，建立了一套成本較低的隨車污染檢測系統，可以對車輛在真實路徑上行駛時採樣連續的O2、CO、CO2、THC、NO排放。 透過蒐集的數據可以探討出各種污染物對車輛、行駛特性、駕駛習慣等等之關係，但關係性並不到相當明確，很難以單純的計算做出正確的污染物排放推估，而隨著人工智慧的發展，AI方式便可解決此問題，以相關性高的參數當作輸入，以多次演算的數學方式找出輸入參數與真實結果的關係便可推估出相對

接近的預期結果。本研究透過PEMS數據推估出對各種污染物排放影響較高的參數為速度、流量、加速度、受力，並以這幾項參數當作輸入，透過人工神經網路模型進行演算與學習，成功的推估出與真實排放相近的預期排放。本研究在CO、CO2上的預測結果相當優異，而在NO上的預測結果仍有提升空間，證明透過人工神經網路對車輛污染排放進行推估是可行的。