Utilisation de l'ACV par l'industrie minière : Exemple d'application et principaux défis
Notice bibliographique
Résumé
L’analyse du cycle de vie (ACV) est un outil d’analyse environnementale holistique qui permet la compilation et l’évaluation des entrants, sortants et impacts environnementaux potentiels d’un produit ou service durant tout son cycle de vie, du berceau au tombeau (c’est-à-dire de l’extraction et transformation première des ressources jusqu’à l’élimination en fin de vie, incluant les étapes de production et d’utilisation). La pertinence de l’ACV pour l’industrie minière se présente sous deux aspects. Premièrement, l’industrie minière a un rôle à jouer au niveau du développement des données d’inventaires qui permettront à la communauté ACV d’évaluer, pour des usages particuliers, les impacts environnementaux des matériaux primaires (tels les métaux) et de comparer ceux-ci avec les impacts des matériaux leur faisant compétition. Deuxièmement, l’industrie minière peut directement utiliser l’ACV pour évaluer les impacts environnementaux de ses propres activités, identifier les ≪ points chauds ≫ et évaluer les impacts de différentes technologies disponibles. Par exemple, les impacts environnementaux de différentes technologies employées dans l’extraction et la transformation de minéraux peuvent être comparés. Cette deuxième utilisation de l’ACV par l’industrie minière n’est toutefois pas très fréquente. Le présent article présente une telle application de l’ACV, en comparant des options de gestion de résidus miniers durant la vie de la mine et à sa fermeture. Quelques défis devant être relevés afin d’améliorer la pertinence des résultats de l’ACV dans le contexte des activités minières sont aussi présentés et discutés.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».