Environmental and economic comparison of diesel and electric trucks in open-pit mining operations
Notice bibliographique
Résumé
The global mining sector accounts for 4 %–7 % of greenhouse gas (GHG) emissions. Mining companies aim to drastically reduce Scope 1 and 2 emissions for environmentally sustainable operations by 2050. Transitioning from diesel to all-electric haulage fleets is a promising approach to eliminating Scope 1 emissions and aligning with net-zero objectives. Using battery electric vehicles in the industry has the potential to enhance operational efficiency by reducing operating costs, lowering energy consumption, and significantly decreasing GHG emissions. However, as electrification progresses, concerns arise over reliability, productivity, maintenance, capacity constraints, and the associated costs. This research addresses the prospective GHG impact of transitioning to electric trucks in open-pit haulage. A discrete event simulation model was developed as a generalized framework to compare diesel and electricity demands of haulage systems, considering factors like speed, load, maintenance, and resilience in adverse weather. Then, an economic assessment based on haulage energy demand identified operational cost-saving potential for electric trucks. Our modelling results show that GHG emissions could be significantly reduced by up to 92.6 % in a hypothetical case, and operating costs could be reduced by 40 %–62 %, underscoring the synergistic environmental and economic benefits of electrification in mining operations. • We built a reference model for fleet replacement when data availability is limited. • Our GHG analysis considered both Scope 1 and Scope 2 emissions for mining haulage. • Our model examined the impact of road profiles and weather conditions. • GHGs by replacing diesel trucks can be reduced by 50–92.6 % in Canada's context. • The related operating costs are predicted to be reduced by 40–62 %.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».