MétaCan
Menu
Retour à la cohorte
Enregistrement W4283463918 · doi:10.1016/j.resourpol.2022.102851

The minerals industry in the era of digital transition: An energy-efficient and environmentally conscious approach

2022· article· en· W4283463918 sur OpenAlexaff
Glen T. Nwaila, Hartwig E. Frimmel, Steven E. Zhang, Julie E. Bourdeau, Leon Tolmay, Raymond Durrheim, Yousef Ghorbani

Notice bibliographique

RevueResources Policy · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueMetal Extraction and Bioleaching
Établissements canadiensGeological Survey of Canada
Organismes subventionnairesnon disponible
Mots-clésSustainabilityMining industryMineral explorationEnergy consumptionEfficient energy useEnvironmental economicsMining engineeringBusinessNatural resource economicsEnvironmental scienceEngineeringGeologyEconomics

Résumé

récupéré en direct d'OpenAlex

The concept of the 4th industrial revolution is becoming a strategic determinant of sustainability, success and competitiveness in the modern mining sector. The importance of digital transformation in the mining industry has long been debated, hampered in part by the conservative nature of the mining sector. Much of the debate has focused on choosing suitable mining techniques that provide acceptable levels of ore/waste selectivity, the scale of implementation, cost reduction and suitable metallurgical extraction techniques. The purpose of this review is to give an overview of the digital transformation of the minerals and extractive industry with a focus towards energy efficiency and environmental sustainability. We address: (a) geological elements that influence the level of selectivity during mining, and technologies that deal with waste rejection; (b) eco-friendly techniques, such as tunnel-boring machines, or the use of non-explosive techniques that can assist fragmentation of ores, thereby decreasing energy requirements during mineral processing and improving mineral recovery; (c) use of low-water-consumption automated ore-waste sorting systems; (d) selective metal leaching using coarse particle percolation as an alternate method for treating complicated low-grade ores; and (e) assessing new technological boundaries for the mineral sector. A combination of these aforementioned processes will significantly reduce mining waste. Orebody features, mining methods and equipment, desired scales of implementation, alignment with circular strategies, ore extraction efficiency, and socio-economic factors all play a role in the development and implementation of new technologies and techniques.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,003
Communication savante0,0050,008
Science ouverte0,0010,003
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,010
Tête enseignante GPT0,212
Écart entre enseignants0,203 · 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'étudeSans objet
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
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResources PolicyMême sujetMetal Extraction and BioleachingTravaux en français237 207