Modeling Adaptive Technologies and Clean Fuels Towards Climate-Neutral Shipping
Notice bibliographique
Résumé
The Greek maritime sector faces multiple techno-economic, environmental and development challenges, requiring careful investment decisions. In this paper we present the application of a free, open-source Investment Decision Support Tool, called MaritimeGCH: a least-cost linear optimization model that reflects operational and investment variables and constraints within the shipping industry. The model aims to optimize fleet composition under techno-economic, environmental, operational factors and European environmental regulations such as the FuelEU Maritime Regulation, requiring a transition to cleaner fuels. Through the tool, we test the effect of different technologies that increase fuel efficiency such as new propulsion systems, engine optimization, and hull maintenance. We can estimate each technology’s respective cost and carbon abatement potential within the Greek shipping fleet. The study also tests a set of scenarios from slow to fast transition to cleaner fuels within the Greek shipping sector and explores their effect on fleet optimization decisions. This set of scenarios reflects the potential evolution of some fuels phasing out (e.g. Oil and RefPO), being replaced by the transition fuels (LNG and LPG), while others will ultimately become more prevalent in the future (MeOH, NH3 and H2). Results indicate a growing fleet rise increases emissions and costs, spurring the adoption of efficiency technologies while cleaner fuels gain prominence in later years. The tool’s flexibility highlights a key insight: decarbonization is not a binary choice between profitability and sustainability, but a nuanced optimization problem that requires sophisticated analytical capabilities.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,005 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| 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 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 ».