Utilisation de l'ACV par l'industrie minière : Exemple d'application et principaux défis
Bibliographic record
Abstract
L’analyse du cycle de vie (ACV) est un outil d’analyse environnementale holistique qui permet la compilation et l’évaluation des entrants, sortants et impacts environnementaux potentiels d’un produit ou service durant tout son cycle de vie, du berceau au tombeau (c’est-à-dire de l’extraction et transformation première des ressources jusqu’à l’élimination en fin de vie, incluant les étapes de production et d’utilisation). La pertinence de l’ACV pour l’industrie minière se présente sous deux aspects. Premièrement, l’industrie minière a un rôle à jouer au niveau du développement des données d’inventaires qui permettront à la communauté ACV d’évaluer, pour des usages particuliers, les impacts environnementaux des matériaux primaires (tels les métaux) et de comparer ceux-ci avec les impacts des matériaux leur faisant compétition. Deuxièmement, l’industrie minière peut directement utiliser l’ACV pour évaluer les impacts environnementaux de ses propres activités, identifier les ≪ points chauds ≫ et évaluer les impacts de différentes technologies disponibles. Par exemple, les impacts environnementaux de différentes technologies employées dans l’extraction et la transformation de minéraux peuvent être comparés. Cette deuxième utilisation de l’ACV par l’industrie minière n’est toutefois pas très fréquente. Le présent article présente une telle application de l’ACV, en comparant des options de gestion de résidus miniers durant la vie de la mine et à sa fermeture. Quelques défis devant être relevés afin d’améliorer la pertinence des résultats de l’ACV dans le contexte des activités minières sont aussi présentés et discutés.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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 teacher head, 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".