MétaCan
Menu
Retour à la cohorte
Enregistrement W4389101515 · doi:10.1093/pnasnexus/pgad361

Estimating the environmental impacts of global lithium-ion battery supply chain: A temporal, geographical, and technological perspective

2023· article· en· W4389101515 sur OpenAlexaff
Jorge A. Llamas-Orozco, Fanran Meng, Gavin S. Walker, Amir F.N. Abdul-Manan, Heather L. MacLean, I. Daniel Posen, Jon McKechnie

Notice bibliographique

RevuePNAS Nexus · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueExtraction and Separation Processes
Établissements canadiensUniversity of Toronto
Organismes subventionnairesSaudi Aramco
Mots-clésGreenhouse gasSupply chainBattery (electricity)ElectricityEnvironmental scienceProduction (economics)Renewable energyLithium iron phosphateLithium (medication)Environmental economicsNatural resource economicsBusinessWaste managementEngineeringElectrical engineeringPower (physics)

Résumé

récupéré en direct d'OpenAlex

Abstract A sustainable low-carbon transition via electric vehicles will require a comprehensive understanding of lithium-ion batteries’ global supply chain environmental impacts. Here, we analyze the cradle-to-gate energy use and greenhouse gas emissions of current and future nickel-manganese-cobalt and lithium-iron-phosphate battery technologies. We consider existing battery supply chains and future electricity grid decarbonization prospects for countries involved in material mining and battery production. Currently, around two-thirds of the total global emissions associated with battery production are highly concentrated in three countries as follows: China (45%), Indonesia (13%), and Australia (9%). On a unit basis, projected electricity grid decarbonization could reduce emissions of future battery production by up to 38% by 2050. An aggressive electric vehicle uptake scenario could result in cumulative emissions of 8.1 GtCO2eq by 2050 due to the manufacturing of nickel-based chemistries. However, a switch to lithium iron phosphate-based chemistry could enable emission savings of about 1.5 GtCO2eq. Secondary materials, via recycling, can help reduce primary supply requirements and alleviate the environmental burdens associated with the extraction and processing of materials from primary sources, where direct recycling offers the lowest impacts, followed by hydrometallurgical and pyrometallurgical, reducing greenhouse gas emissions by 61, 51, and 17%, respectively. This study can inform global and regional clean energy strategies to boost technology innovations, decarbonize the electricity grid, and optimize the global supply chain toward a net-zero future.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,040
Score d'incertitude au seuil0,079

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,250
Écart entre enseignants0,239 · 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'étudeSimulation ou modélisation
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

Citations117
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePNAS NexusMême sujetExtraction and Separation ProcessesTravaux en français237 207