Assessing GHG Emissions, Ecological Footprint, and Water Linkage for Different Fuels
Notice bibliographique
Résumé
Currently, transport is highly dependent on fossil fuels and responsible for about 23% of world energy-related GHG (greenhouse gas) emissions. Ethanol from sugar cane and corn emerges as an alternative for gasoline in order to mitigate GHG emissions. Additionally, deeper offshore drilling projects such as in the Brazilian Pre-Salt reservoirs and mining projects of nonconventional sources like Tar Sands in Canada could be a solution for supplying demand of fossil fuels in the short and midterm. Based on updated literature, this paper presents an assessment of GHG emissions for four different fuels: ethanol from sugar cane and from corn and gasoline from conventional crude oil and from tar sands. An Ecological Footprint analysis is also presented, which shows that ethanol from sugar cane has the lowest GHG emissions and requires the lowest biocapacity per unit of energy produced among these fuels. Finally, an analysis using the Embodied Water concept is made with the introduction of a new concept, the "CO(2)-Water", to illustrate the impacts of releasing carbon from underground to atmosphere and of the water needed to sequestrate it over the life cycle of the assessed fuels. Using this method resulted that gasoline from fossil fuels would indirectly "require" on average as much water as ethanol from sugar cane per unit of fuel energy produced.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».