Carbon emissions in metal manufacturing productivity: A global analysis of aluminium smelting
Notice bibliographique
Résumé
The aluminium industry generates over a billion tonnes of carbon dioxide (CO 2 ) annually, contributing to global emissions significantly. To become a part of the sustainable economy, this carbon-intensive industry needs improved productivity to reduce its carbon footprint. Given the ubiquity of aluminium usage in a wide array of consumer and industrial products and its high production energy requirements, assessing the carbon component of productivity can have significant climate mitigation impacts. This paper examines the cost efficiency of carbon emissions embedded in the aluminium smelting sector. It refers to the point at which a smelter minimizes its cost for a given output level by optimally using input resources. Specifically, it investigates the energy-specific technology gaps that affect aluminium sector productivity, utilizing unique global smelter-level data from 2004 to 2020. This is the first study comparing smelters' cost efficiency using different energy sources and technologies. It estimates the Meta-Technology-Ratio (MTR), which measures how close a smelter is to the frontier, representing the use of the best available technology while being environmentally efficient. The analysis underscores the potential for reducing the technology gap in coal- and gas-powered smelters through modernization and efficiency improvements while highlighting renewables and nuclear power as leading options for aligning with the most efficient, cutting-edge technologies in aluminium smelting.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».