Environmental impacts of using desalinated water in concrete production in areas affected by freshwater scarcity
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
Up to 500 litres of water may be consumed at the batching plant per cubic meter of ready mix concrete, if water for washing mixing trucks and equipment is included. Demand for concrete is growing almost everywhere, regardless of local availability of freshwater. The use of freshwater for concrete production exacerbates stress on natural water resources. In water-stressed coastal countries such as Israel, desalinated seawater (DSW) is often used in the production of concrete. However, the environmental impacts of this practice have not yet been assessed. In this study the effect of using DSW on the water and carbon footprints of concrete was investigated using life cycle assessment. Water footprint results highlight the benefits of using DSW rather than freshwater to produce concrete in Israel. In contrast, because desalination is an energy intensive process, using DSW increases the greenhouse gas intensity of concrete. Nevertheless, this increase (0.27 kg CO2e/m3 concrete) is small, if compared to the life cycle greenhouse gas emissions of concrete. Our results show that using untreated seawater in the mix (transported by truck from the coast) in place of DSW, would be beneficial in terms of water and carbon footprints if the batching plant were located less than 13 km from the withdrawal point. However, use of untreated seawater increases steel reinforcement corrosion, resulting in loss of structural integrity of the reinforced concrete composite. Sustainability of replacing steel with non-corrosive materials should be explored as a way to reduce both water and carbon footprints of concrete.
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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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