Sähköauton akkujen arvoketju: Ajovoima-akkujen arvoketjumalli Suomessa
Bibliographic record
Abstract
Tässä selvityksessä, joka on osa Battery Recycle – Akkupuisto -hanketta, pyritään luomaan käytöstä poistettujen sähköautojen ajovoima-akkujen arvoketjumalli, jota Suomessa voitaisiin toteuttaa materiaalin arvon ylläpitämiseksi ja säilyttämiseksi rajojemme sisäpuolella. Akkujen kierrätys ja valmistus ovat herättäneet kiinnostusta viime vuosina myös Suomessa, ja tähän liittyen on sekä suunnitteilla että jo rakennusvaiheessa akkujen kierrätys- ja valmistuslaitoksia. (Fortum 2020, Fortum 2021a, Fortum 2021b, Kokemäki 2021, Kokemäki 2022, MineralsGroup 2021, MineralsGroup 2022, Terrafame) Akkujen kiertotalouden kannalta asiaa tarkasteltaessa kierrätys sulkee materiaaliringin akkujen hyödyntämisestä takaisin valmistukseen, mutta kierrätys ei ole ainoa vaihtoehto hyödyntää käytöstä poistuvien sähköautojen akustojen sisältämää arvoa. Potentiaalinen uudelleenhyödyntäminen (akkujen korjaus, kunnostus ja muokkaus, eli uudelleenvalmistus ja uusiokäyttö) voisi pitkittää akkujen arvoketjua ja käyttöikää ennen kierrätystä. Tämä toiminta muodostaisi samalla yhden lisälenkin akkujen arvoketjuun, mahdollistaen akkujen kiertotalouteen liittyvää liiketoimintaa kierrätyksen ulkopuolella. (Albertsen, Richter, Peck, Dalhammar & Plepys 2021, Hua, Liu, Zhou, Huang, Ling & Yang 2021) Selvityksen aikana tarkastellaan erilaisia tutkimuksessa esitettyjä arvoketjumalleja ja niiden osa-alueiden erilaisia variaatioita. Näiden pohjalta pyritään löytämään Suomen oloihin sopiva malli sekä toteutustapa käytöstä poistettavien sähköautojen ajovoima-akkujen arvon säilyttämiseksi pienellä, mutta maantieteellisesti laajalla markkina-alueella. Tämän pohjalta selvitys esittää käytetyille akustoille (ajovoima-akku) arvoketjumallin, jota Suomessa voitaisiin soveltaa.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.028 | 0.007 |
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".