MétaCan
Menu
Retour à la cohorte
Enregistrement W2972996256 · doi:10.1088/1748-9326/ab442f

Embodied emissions in rail infrastructure: a critical literature review

2019· article· en· W2972996256 sur OpenAlexafffund
Olubanjo Olugbenga, Nikolaos Kalyviotis, Shoshanna Saxe

Notice bibliographique

RevueEnvironmental Research Letters · 2019
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueUrban Transport and Accessibility
Établissements canadiensUniversity of Toronto
Organismes subventionnairesOntario Centres of Excellence
Mots-clésGreenhouse gasEmbodied cognitionTransport engineeringEmbodied energyEnvironmental scienceBusinessEngineeringComputer science

Résumé

récupéré en direct d'OpenAlex

Abstract This paper investigates the state of knowledge in quantifying the embodied greenhouse gas (GHG) emissions in rail infrastructure and develops a sketch model for estimating the GHG impact of rail infrastructure based on the literature. A literature review identified 22 publications, containing 57 case studies, at least touching on the embodied GHG for different types of rail infrastructure. The cases studies include high speed rail, intercity rail, light rail, commuter rail, heavy rail, freight, and metro rail. The paper examines the GHG impact per kilometre of rail infrastructure reported across the case studies and compares the boundaries, functional units, methods, and data used. Most studies employed process-based LCA for an attributional analysis. The embodied emissions associated with the case studies range from 0.5 to 12 700 tCO 2 km −1 ; much of the variation is dependent on the proportion of the rail line at-grade, elevated, or in a tunnel. However, large ranges in GHG per kilometre remain after controlling for elevated and tunneled distance. Comparing the embodied emissions across the rail types was challenging, due to the large variations in system boundaries, study goals, and inventory methods adopted in the publications. This review highlights the need for standardization across the reporting of embodied GHG for rail infrastructure to better facilitate hot spot detection, engineering design and GHG policy decision making. The statistical model finds that overall ∼941(±168) tCO 2 e are embodied per kilometre of rail at-grade, and tunneling has 27 (±5) times more embodied GHG per kilometre than at-grade construction. The statistical model is based on the findings of published literature and does not explicitly consider function, geometry, specifications, emphasis on whole lifecycle, legislative constraints, socio-economic factors, or the physical and environmental conditions of the construction site.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,085
Score d'incertitude au seuil0,996

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,023
Tête enseignante GPT0,366
Écart entre enseignants0,343 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
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

Citations52
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnvironmental Research LettersMême sujetUrban Transport and AccessibilityTravaux en français237 207