MétaCan
Menu
Retour à la cohorte
Enregistrement W2783738658 · doi:10.1111/jiec.12693

Evaluating Eco‐Efficiency of 3D Printing in the Aeronautic Industry

2017· article· en· W2783738658 sur OpenAlexafffund
Fares Mami, Jean‐Pierre Revéret, Sophie Fallaha, Manuele Margni

Notice bibliographique

RevueJournal of Industrial Ecology · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnvironmental Impact and Sustainability
Établissements canadiensPolytechnique Montréal
Organismes subventionnairesConsortium de Recherche et d’innovation en Aérospatiale au Québec
Mots-clésIndustrial ecology3D printingNormalization (sociology)Life-cycle assessmentProductivityCost reductionEnvironmental impact assessmentManufacturing engineeringMachiningEnvironmental economicsComputer scienceOperations managementIndustrial organizationBusinessEngineeringEconomicsProduction (economics)Mechanical engineeringMarketingSustainability

Résumé

récupéré en direct d'OpenAlex

Summary New technologies such as 3D printing, also known as rapid manufacturing or additive manufacturing, are promising technologies to support the aeronautics sector moving toward its ambitious environmental goals. An eco‐efficiency method combining life cycle costs and life cycle environmental assessment is developed to support eco‐design initiatives in the aeronautics industry that accounts for specific reduction targets. Eco‐efficiency results are computed through a normalization procedure and a target‐driven trade‐off and displayed as an XY diagram. Applied to an aircraft doorstop manufacturing, results show that 3D printing has clear benefits both in terms of costs and environmental impacts compared to conventional machining. Nevertheless, 3D printing equipment costs are still high, and a sensitivity analysis shows that, for lower productivity levels, the optimal scenario relies on the chosen trade‐off between environmental impacts and costs reduction.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,078
Tête enseignante GPT0,360
Écart entre enseignants0,282 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations85
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Industrial EcologyMême sujetEnvironmental Impact and SustainabilityTravaux en français237 207