Review of factors affecting earthworks greenhouse gas emissions and fuel use
Notice bibliographique
Résumé
Research on greenhouse gas (GHG) emissions in the building sector has concentrated on the use phase of buildings, and more recently embodied emissions from construction materials. Much less research has focused on reducing GHG emissions from onsite fuel use during construction, in part because predicting and measuring fuel use is complex and lacks guidance to help modelers focus on key factors that drive variability in results. This paper addresses that challenge by examining the state-of-the-art in onsite fuel use accounting with a focus on earthworks, one of the largest drivers of onsite fuel consumption. It provides a comprehensive summary of the existing literature, describes and quantifies the ways in which factors influence fuel use, and fills several gaps identified during the review process by drawing from research in related fields. The result is a new taxonomy for categorizing fifteen factors which influence fuel use, including equipment factors (e.g., engine specifications, attachment selection), operational factors (e.g., operator skill, fleet configuration), and site factors (e.g., soil type, excavation depth). Drawing on earthwork productivity and productivity/fuel use in related fields (e.g., freight hauling, military equipment) to augment the construction emissions literature, most notably to investigate the influence of weather on earthwork GHG emissions. Across case studies, soil type, attachment selection, engine specifications, weather and hauling conditions arise as the most influential factors. Finally, this work presents recommendations for structured fuel use data collection to improve the consistency of future data collection and reporting, along with subsequent fuel use modelling and optimization efforts.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».