Technological Advancements in Reducing Carbon Emissions in Maritime Transportation: A Literature Survey
Notice bibliographique
Résumé
This research examines technological advancements designed to reduce greenhouse gas (GHG) emissions in the maritime industry, offering recommendations for researchers and practitioners to promote sustainability.The study's motivation is the shipping sector's significant contribution to global carbon dioxide emissions, presenting a challenge to achieving carbon neutrality by 2050.The research analyzed 210 papers published between 2011 and 2024 from Scopus using bibliometric techniques and VOSviewer software.By applying the modularity community detection algorithm, seven key themes were identified: alternative fuels like LNG and ammonia, hybrid and electric power systems, renewable energy sources (solar, wind, wave), energy-efficient engine technologies, integration of alternative power systems, carbon capture and storage (CCS), and ship-network optimization.Key findings highlight the increasing focus on renewable energy and alternative fuels since 2018, particularly ammonia, hydrogen, and electricity.CCS technologies, gaining attention since 2021, show potential for reducing CO2 emissions through long-term storage.The research underscores the need for integrating diverse technologies and optimization algorithms to reduce GHG emissions effectively while balancing efficiency and costs.Governments, businesses, and communities are encouraged to prioritize renewable energy, explore advanced technologies like AI and blockchain, and expand efforts in CCS to ensure a sustainable future for the shipping industry.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».