Techno-Economic Analysis of Hydrogen–Diesel Dual-Fuel Engines as a Transitional Decarbonization Strategy for Mining Haul Trucks
Notice bibliographique
Résumé
This study evaluates the emissions, refueling or recharging times, and payload capacities of hydrogen–diesel dual-fuel, battery-electric, and hydrogen fuel cell haul trucks for open-pit mining operations. Both shift-level and long-term cumulative performances are assessed under realistic operational constraints. A generic model simulates optimal truck configurations over a 25 year period (2025–2050), assuming equivalent payload capacity per truck. Payload per shift depends on the number of haulage cycles, which varies with energy density, refueling or recharging times, and maintenance requirements of each technology. Under the simulated settings and imposed assumptions, results show that while battery-electric and hydrogen fuel cell trucks achieve zero tailpipe emissions, they incur substantial cumulative payload losses (65 and 25 Mt, respectively) relative to a diesel baseline. This is primarily due to longer refueling or recharging times and lower energy density. In contrast, by flexibly adjusting fuel shares to meet tightening emission limits, hydrogen–diesel dual-fuel trucks experienced limited impact with a cumulative payload loss of 15 Mt. These differences translate into effective cost of baseline payload estimates, with dual-fuel trucks rising from AU$1.00/t to AU$1.40/t by 2050, compared to AU$1.67/t for battery-electric trucks and AU$1.70/t for fuel cell trucks. A sensitivity analysis highlights the influence of mining road conditions, discount rates, fuel prices, and efficiency degradation over time. The findings highlight the potential of hydrogen–diesel dual-fuel trucks to provide a cost-effective transitional pathway for decarbonizing mining haulage under the simulated conditions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».