A review of current state-of-the-art road vehicle life cycle assessment tools
Notice bibliographique
Résumé
With the increasing availability of vehicle Life Cycle Assessment (LCA) tools, practitioners need a clear understanding of each tools' modeling methodology to select the one best fitting their needs to reach robust conclusions on whether and how a reduction of certain environmental burdens could be realized from advanced technologies, such as electric vehicles. We reviewed five free open-source LCA tools evaluating four wheeled vehicles, namely, GREET (2022 rev1), AFLEET (2023), carculator (v1.8.4), GHGenius (v5.02), and EV Footprint (2023). We conducted the review through 1) deciphering the LCA methodology of each tool, 2) benchmarking key inventory data to understand where and why tool-derived discrepancies could happen, and 3) developing a framework for assessing tools' adaptability and suitability to aid practitioners in choosing and customizing tools as needed. The results showed that each tool is developed with different scopes, adopting different model mechanism, sourcing different background data and characterizing different impact categories. At inventory stage, data on fuel feedstock, electricity mix, battery chemistry are sourced and aggregated differently, and different types of on-road emissions are reported. The life cycle impact assessment implementation does not significantly contribute to discrepancies where carbon footprint is the only commonly reported impact indicator across tools. Using the newly proposed framework, we found carculator to have the highest adaptability, followed closely by GREET. The framework proposes aligning user needs with each tool's goals and scope to determine final suitability scores. We finally identified key input parameters for each tool, with examples of parameter customization provided. • Five free open-source vehicle Life Cycle Assessment (LCA) tools are reviewed. • Each tool covers different model mechanism, technological and geographical scope. • Major result discrepancies are due to different background data sources adopted. • Use carculator for a full range of LCA impacts, other tools only cover carbon footprint. • A framework to help users selecting a tool is proposed based on adaptability score.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,021 | 0,019 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».