Life cycle carbon footprint of novel technologies for lithium production and potential implications for the supply chain in North America
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
• Novel technologies show promise to reduce lithium’s carbon footprint. • Estimated potential carbon footprints of 2–18 kgCO₂e/kg (no allocation). • Carbon footprint is influenced by energy and chemical sources, and LCA methods. • Compared Li and Na-ion batteries carbon footprints with different functional units. • Conclusions may vary based on the functional unit when assessing battery impacts. This study explores unconventional lithium sources in North America for producing lithium hydroxide monohydrate (LiOH.H 2 O) with lower greenhouse gas (GHG) emissions compared to traditional sources. We also estimate how batteries using LiOH.H 2 O would compare with the emerging sodium-ion battery technology. Novel technologies (e.g., direct lithium extraction, DLE, and electrochemical refining) show promise to reduce GHG emissions compared to traditional methods, with carbon footprints from 2 to 18 kgCO 2 eq/kg LiOH.H 2 O (baseline, no allocation). Electricity carbon intensity and methodological choices (e.g., co-product allocation/substitution, boundary definitions) are the most influential factors across pathways, with impacts ranging from -156 % to 130 % in carbon footprints relative to baseline scenarios. Furthermore, while unconventional lithium sources coupled with novel processing technologies may reduce carbon footprints compared to current incumbent pathways, research and development (R&D) and innovation effects should be considered to maintain competitiveness in the face of other emerging technologies, such as sodium-ion batteries.
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 | 0,000 | 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 découle