Innovative Technologies for Waste Reduction in the Extraction and Processing of Critical Raw Materials
Notice bibliographique
Résumé
This study addresses the pressing challenge of substantial waste generation during the extractionand processing of critical raw materials (CRMs), which are essential for emerging technologies and thetransition to a sustainable economy. While previous research has documented individual technologies andpractices, it has often lacked an integrated, cross-regional perspective and a strategic framework forimplementation. To fill this gap, this study develops an integrated conceptual model of zero-waste miningsystems, informed by a systematic comparative analysis of innovative technologies and best practices fromEurope, Australia, and Canada. The research adopts a mixed-method approach combining a comprehensiveliterature review, in-depth case studies, and a strategic SWOT analysis to evaluate the feasibility, scalability, andtransferability of advanced waste-reduction technologies. Key findings demonstrate that precision miningtechniques, sensor-based selective extraction, advanced flotation and leaching methods, and tailings valorizationcan significantly reduce waste—by up to 60%—while enhancing resource recovery and generating additionaleconomic value. The proposed conceptual model synthesizes these practices within the circular economicframework, emphasizing the need for technological integration, supportive regulatory environments, and crossindustry collaboration. This study contributes to the literature by offering a systematic, cross-regional synthesisof innovative CRM waste-reduction strategies and proposing a transferable model that bridges the gap betweendescriptive case evidence and actionable strategies for sustainable mining. The findings provide both theoreticaland practical insights, supporting policymakers, practitioners, and researchers in advancing circular economyprinciples in the CRM sector
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».