Strategic Materials in the Automobile: A Comprehensive Assessment of Strategic and Minor Metals Use in Passenger Cars and Light Trucks
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
A comprehensive component-level assessment of several strategic and minor metals (SaMMs), including copper, manganese, magnesium, nickel, tin, niobium, light rare earth elements (LREEs; lanthanum, cerium, praseodymium, neodymium, promethium, and samarium), cobalt, silver, tungsten, heavy rare earth elements (yttrium, europium, gadolinium, terbium, dysprosium, holmium, erbium, thulium, ytterbium, and lutetium), and gold, use in the 2013 model year Ford Fiesta, Focus, Fusion, and F-150 is presented. Representative material contents in cars and light-duty trucks are estimated using comprehensive, component-level data reported by suppliers. Statistical methods are used to accommodate possible errors within the database and provide estimate bounds. Results indicate that there is a high degree of variability in SaMM use and that SaMMs are concentrated in electrical, drivetrain, and suspension subsystems. Results suggest that trucks contain greater amounts of aluminum, nickel, niobium, and silver and significantly greater amounts of magnesium, manganese, gold, and LREEs. We find tin and tungsten use in automobiles to be 3-5 times higher than reported by previous studies which have focused on automotive electronics. Automotive use of strategic and minor metals is substantial, with 2013 vehicle production in the United States, Canada, EU15, and Japan alone accounting for approximately 20% of global production of Mg and Ta and approximately 5% of Al, Cu, and Sn. The data and analysis provide researchers, recyclers, and decision-makers additional insight into the vehicle content of strategic and minor metals of current interest.
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 | 0,000 | 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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