Waste to emerging and sustainable wealth: An integrated mining 4.0-recycling 4.0-decision making 4.0 framework overcoming greener red mud recycling technologies promotion
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study presents a comprehensive, three-phase framework for selecting an optimal technological solution for repurposing Red Mud (RM) based on a green mining approach. The framework introduces a novel ZE-FSIWEC method in Phase 1 for Mining 4.0 criteria weighting. In Phase 2, Fuzzy-Delphi method (FDM) screens key Recycling 4.0 alternatives, followed by a combination of eight multi-criteria decision-making (MCDM) methods including ARLON (2024), RAWEC (2024), MARA (2022), COBRA (2022), RAFSI, MAIRCA, MABAC, and ARAS for ranking. To address uncertainties, enhance decision reliability, and improve group decision credibility, fuzzy ZE-numbers are merged with Decision-Making 4.0 methods, which are then consolidated using Borda-count and Copeland ranking for a robust assessment. Iran was chosen as the analysis subject, with Phase 1 evaluating the national participants' perspectives, and Phase 2 focusing on the local site participants' viewpoints. In the final phase, the framework culminates in the development of a quantifiable RM Management Sustainability Score (RMMSS) to identify the most suitable strategic supply planning of RM residues among different Recycling 4.0 technologies and enhance mining waste management standards. Therefore, the proposed tech-paradigm based framework demonstrates its efficiency in a scenario where mining enterprises aim to market their RM. Sensitivity analysis shows the reliability of ZE-FSIWEC-ZE-RAWEC method, with a Spearman's correlation over 86.9 %, making it promising for future research. The Jajarm alumina complex case study showcases the framework's remarkable impact. This framework demonstrates its practicality and region-independent adaptability, contributing to a greener future by promoting sustainable practices and transforming hazardous RM waste into valuable assets. • Evaluating 15 different Recycling 4.0 technologies ranks for cleaner RM consumption. • Determining 18 various Mining 4.0 criteria weights using a hybrid ZE-FSIWEC method. • Embedding Decision-Making 4.0 across all framework phases considering uncertainty-reliability-group decision credibility. • Introducing a quantifiable RMMSS and certifications for greener mining waste management. • Consolidating 8 ZE-MCDMs using Borda-count & Copeland ranking for optimal RM utilization.
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.
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 | 0,002 | 0,003 |
| 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 | 0,001 | 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 découle