MétaCan
Menu
Retour à la cohorte
Enregistrement W4417503090 · doi:10.3390/en19010022

Decarbonization Pathways in Underground Mining in Cold and Arctic Climates: A Review of Heat Recovery Systems with Case Studies in Canada

2025· article· en· W4417503090 sur OpenAlexaffabout
Hosein Kalantari, Seyed Ali Ghoreishi‐Madiseh

Notice bibliographique

RevueEnergies · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueCoal Properties and Utilization
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésGreenhouse gasCold climateArcticEnergy consumptionDiesel fuelEnergy recoveryHeat recovery ventilationClimate changeAir conditioning

Résumé

récupéré en direct d'OpenAlex

In cold climates, mine air conditioning systems are essential for preventing liners and shaft components from freezing. Traditionally, fossil fuel burners are used to heat intake air, resulting in high energy consumption and significant greenhouse gas emissions. As part of efforts to reduce both environmental impacts and energy use, mining companies are increasingly adopting innovative solutions, such as heat recovery systems. These systems offer a promising approach to significantly reduce energy demand for underground mine heating. This study evaluates several heat recovery technologies including exhaust air, water, hybrid exhaust air–water, diesel exhaust, jacket water, and hybrid diesel exhaust–jacket-water systems, through numerical modeling. Two case studies are presented: a grid-connected mine in British Columbia with moderately cold conditions, and an off-grid mine in the Northwest Territories, which experiences Arctic climate extremes. Results show that heat recovery can reduce heating costs by up to 89% in British Columbia and as much as 90% in the Northwest Territories, depending on the system applied. The findings also demonstrate substantial associated carbon emission reductions. Furthermore, a comprehensive feasibility analysis was carried out to evaluate the thermodynamic performance, financial savings, and carbon emission reductions of these systems across various mining operations, offering a preliminary assessment of their potential for mining settings.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,540
Score d'incertitude au seuil0,646

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,021
Tête enseignante GPT0,220
Écart entre enseignants0,199 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergiesMême sujetCoal Properties and UtilizationTravaux en français237 207