Évaluation de l'utilisation des matières organiques résiduelles comme source d'énergie pour le secteur des transports
Bibliographic record
Abstract
Le secteur des transports est la principale source de gaz à effet de serre du Québec avec plus 37 % des émissions. La présente étude vise à comparer des scénarios de sources utilisant diverses sources d’énergie en incluant la valorisation des matières organiques (MO) québécoise comme filière énergétique pour le secteurs des transports. La biométhanisation produit du biogaz qui est utilisé comme source énergétique pour les véhicules. \n \nL’outil d’analyse de cycle de vie évalue les scénarios sur la base d’une voiture de catégorie compacte de style Honda Civic coupé se déplaçant sur une distance de 100 km afin d’identifier le scénario le moins dommageables pour l’environnement. Cinq scénarios sont comparés selon des indicateurs d’impacts et de dommages. Les voitures à combustibles fossiles causent le plus de dommage dans les catégories : santé humaine, qualité de l’écosystème et ressources. La hiérarchie des scénarios s’avère semblable en comparant ces dommages avec une autre méthode. La fonction opération de la voiture cause davantage d’impacts que les fonctions de fabrication et de maintenance pour chacun des scénarios excepté les voitures électriques. La batterie est responsable de 60 % des impacts des voitures électriques. L’application des scénarios sur l’ensemble du parc automobile québécois permet de conclure que des MO générées par tous les secteurs d’activités économiques permettent de produire assez d’énergie renouvelable pour alimenter au maximum 8,5 % du parc. \n \nDe plus, il faut éviter le transfert les émissions à une autre sphère environnementale, déplaçant ainsi la problématique. En plus de devoir améliorer l’efficience de la source d’énergie, il faut permettre au parc automobile de se libérer des énergies fossiles.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".