Artificial intelligence for eco-design: a systematic review
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
Eco-design integrates environmental considerations into product design, recognizing 80% of sustainability impacts determined at the design phase. Artificial intelligence (AI) provides powerful tools for optimizing designs, assessing environmental impacts, and supporting circular economy, making eco-design proactive. Despite AI use in sustainable product development, no review has synthesized these efforts. Therefore, we conducted a systematic review using the PRISMA method, covering 38 studies from 2014 to 2024 applied AI in eco-design. This is the first review to consider all life-cycle stages with eco-design practices, integrating Ellen MacArthur circularity principles, United Nations sustainable development goals (SDGs), life cycle assessment (LCA), industrial applications, and AI methods. Our findings reveal: 1- an imbalanced focus across product life-cycle stages, with most studies addressing design and end-of-life, while production, use-life, and distribution remain underexplored. 2- Common eco-design practices include recycling, energy reduction, and disassembly, with less focus on non-hazardous materials, waste minimization, and remanufacturing. 3- While neural networks and hybrid AI methods are commonly applied for material compatibility and emissions prediction, more advanced AI-based approaches such as generative AI and LLMs have yet to be used in design, LCA, and circularity analysis. 4- No study applies all four Ellen MacArthur Technosphere circular economy strategies. 5- Researchers rarely couple LCA with cradle-to-cradle assessments or embed their results in real-time design simulations. 6- Case studies mostly focus on electronics and household appliances, with limited application in automotive, aviation, maritime, and healthcare. 7- SDG consideration mainly centers on SDGs 12 and 13, with more attention needed for other SDGs.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 | 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