Modelling of Electricity Mix in Temporal Differentiated Life-Cycle-Assessment to Minimize Carbon Footprint of a Cloud Computing Service
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT: The information and communications technologies (ICT) sector is seeking to reduce the electricity consumption of data processing centres. Among the initiatives to improve energy efficiency is the shift to cloud computing technology. Thanks to very favourable geographical conditions, the Canadian energy mix is highly suited to the implementation of data centres, especially in light of the significant potential of renewable energy, which can help to curb greenhouse gas emissions. In the green sustainable Telco cloud (GSTC) project, an efficient cloud computing network would be set up to optimize renewable energy use based on several data centres. This study aimed to develop a temporally differentiated life cycle assessment (LCA) model, adapted to short-term predictions, to provide a regionalized inventory to model electricity generation. Purpose of this model is (i) to calculate more accurately the carbon emissions of ICT systems and (ii) to minimize the daily carbon emissions of the GSTC servers. This paper focuses mainly on the electricity generation modelling during the use phase in the context of the life cycle assessment methodology. Considering the time scale of the model, the difference between the annual fixed average and a shorter period may be highly relevant, in particular when assessing the green house gases (GHG) emissions of a process such as an ICT system, which mainly operates during peak load hours. The time dependent grid mix modelling makes it possible to manage the server load migrations between data centres on an hourly basis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle