MétaCan
Menu
Retour à la cohorte
Enregistrement W4376880309 · doi:10.1063/5.0150010

A comprehensive review of emission reduction technologies for marine transportation

2023· review· en· W4376880309 sur OpenAlexafffund
Jianxun Huang, Xili Duan

Notice bibliographique

RevueJournal of Renewable and Sustainable Energy · 2023
Typereview
Langueen
DomaineEnvironmental Science
ThématiqueMaritime Transport Emissions and Efficiency
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésFlexibility (engineering)PropulsionSustainabilityEngineeringReduction (mathematics)Marine propulsionLiquefied natural gasEnvironmental economicsEnvironmental scienceWaste managementNatural gas

Résumé

récupéré en direct d'OpenAlex

The marine environment is experiencing significant impacts due to increased shipping traffic. The maritime industry must develop a low-carbon shipping strategy to comply with the increasingly strict emission regulations. This paper comprehensively reviews various decarbonization technologies, including navigation systems, hull design configuration, propulsion and power systems, and alternative fuels. By comparing a wide range of technologies in terms of their emission reduction potential and economic feasibility, this paper is intended to provide a full picture of alternative methods for future green shipping. Alternative fuels and hybrid power systems are found to have high potential for reducing carbon emissions and enhancing sustainability. The type of ship, its design configurations, and operation parameters affect the performance of optimal weather routing systems. With the current maritime policy and technological development, the transition from traditional marine fuel to liquefied natural gas can act as a temporary solution and provide significant decarbonization for maritime transportation. The emission reduction potential can be further enhanced with alternative fuels combined with hybrid power systems with high control flexibility.

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: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,004
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,003

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 Opus0,019
Tête enseignante GPT0,280
Écart entre enseignants0,261 · 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
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations40
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Renewable and Sustainable EnergyMême sujetMaritime Transport Emissions and EfficiencyTravaux en français237 207