Glass waste circular economy - Advancing to high-value glass sheets recovery using industry 4.0 and 5.0 technologies
Notice bibliographique
Résumé
Due to the ongoing development of urban infrastructure and higher living standards, waste glass has become a significant component of municipal solid waste that cannot be disregarded. To address this issue, researchers have been looking for sustainable solutions to establish Circular Economy best practices for the full value chain of products made of glass, particularly for waste from high-quality glass sheets. Unfortunately, most of this waste is either dumped in landfills or recycled in an open-loop manner, due to its diverse composition and low volume. However, with the advent of Industry 4.0 and 5.0 technologies, including machine-to-machine communication, artificial intelligence, Internet of Things, collaborative robots, dynamic life cycle assessment, and advanced remanufacturing techniques, it could now become possible to characterize and recover end-of-life high-quality glass sheets like chemically strengthened glasses, e.g. used in smartphone screens, real time in smart factories for use in other high-tech applications. Such smart factories can economically produce on-demand batch-size 1 products, marking a fundamental transition from conventional recycling methods to a sustainable solution. This paper delves into the integration of Industry 4.0 technologies in glass recycling research and the potential contributions of Industry 5.0, addressing its societal implications. It also introduces an intelligent method to assess and optimize the lifespan of smartphone screen glass, suggesting potential reuse or remanufacturing solutions.
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) | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».