MétaCan
Menu
Retour à la cohorte
Enregistrement W4405781685 · doi:10.3390/su17010053

The Importance of Lifecycle Refrigerant Management in Climate and Ozone Protection

2024· article· en· W4405781685 sur OpenAlexaboutno aff
Pallav Purohit, Tilden Chao, R.S.C. Cooke, Hilde Dhont, Roberto Peixoto, Helen Walter-Terrinoni, Ashley Woodcock

Notice bibliographique

RevueSustainability · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueGreen IT and Sustainability
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRefrigerantOzoneEnvironmental scienceBusinessEnvironmental resource managementEnvironmental protectionEnvironmental planningEngineeringMeteorologyGeography

Résumé

récupéré en direct d'OpenAlex

Hydrofluorocarbons (HFCs) are widely used in refrigeration, air conditioning, heat pumps (RACHP), and various other applications such as aerosols, fire extinguishers, foams, and solvents. Initially, HFCs were adopted as the primary substitutes for ozone-depleting substances (ODSs) regulated under the Montreal Protocol. However, many HFCs are potent greenhouse gases, and as such subject to a global phasedown under the provisions of the Kigali Amendment to the Montreal Protocol. Managing the refrigerant bank of ODSs and HFCs throughout the equipment’s lifecycle—referred to as Lifecycle Refrigerant Management (LRM)—presents a significant challenge but also a significant climate action opportunity. LRM includes the leak prevention, recovery, recycling, reclamation, and destruction (RRRD) of refrigerants. This study employed the GAINS modeling framework to assess the ozone and climate benefits of LRM. The findings indicated that implementing robust LRM practices during the use and end-of-life stages of RACHP equipment could reduce ODS emissions by approximately 5 kt ODP (Ozone Depletion Potential) between 2025 and 2040, and HFC and hydrochlorofluorocarbon (HCFC) emissions by about 39 Gt CO2e between 2025 and 2050. The implementation of robust LRM measures in conjunction with the ongoing phasedown of HFCs under the Kigali Amendment can yield substantial additional climate benefits beyond those anticipated from the HFC phasedown alone.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,409
Score d'incertitude au seuil0,335

Scores Codex et Gemma par catégorie

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

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 Opus0,005
Tête enseignante GPT0,229
Écart entre enseignants0,224 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations7
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainabilityMême sujetGreen IT and SustainabilityTravaux en français237 207