Energy Transition Pathways for Deep Decarbonization of the Greater Montreal Region: An Energy Optimization Framework
Notice bibliographique
Résumé
More than half of the world’s population live in cities, and by 2050, it is expected that this proportion will reach almost 68%. These densely populated cities consume more than 75% of the world’s primary energy and are responsible for the emission of around 70% of anthropogenic carbon. Providing sustainable energy for the growing demand in cities requires multifaceted planning approach. In this study, we modeled the energy system of the Greater Montreal region to evaluate the impact of different environmental mitigation policies on the energy system of this region over a long-term period (2020–2050). In doing so, we have used the open-source optimization-based model called the Energy–Technology–Environment Model (ETEM). The ETEM is a long-term bottom–up energy model that provides insight into the best options for cities to procure energy, and satisfies useful demands while reducing carbon dioxide (CO2) emissions. Results show that, under a deep decarbonization scenario, the transportation, commercial, and residential sectors will contribute to emission reduction by 6.9, 1.6, and 1 million ton CO2-eq in 2050, respectively, compared with their 2020 levels. This is mainly achieved by (i) replacing fossil fuel cars with electric-based vehicles in private and public transportation sectors; (ii) replacing fossil fuel furnaces with electric heat pumps to satisfy heating demand in buildings; and (iii) improving the efficiency of buildings by isolating walls and roofs.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 source (Gemma direct ou Codex distillé), 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 ».