Analyse de la performance environnementale d’un réseau décentralisé des centres de conditionnement de matières résiduelles : étude de cas à la ville de Montréal
Bibliographic record
Abstract
Les matières résiduelles générées augmentent d’année en année. Les infrastructures centralisées de traitement augmentent le nombre de camions pour satisfaire cette demande croissante, ce qui croit la pression sur le réseau routier et les émissions de gaz à effet de serre. Pour pallier ces limitations, l’approche décentralisée crée un réseau distribué de centres sur le territoire. \n \nCe projet de recherche étudie l’impact de l’intégration de la décentralisation sur la récupération des matières résiduelles. Plus spécifiquement, la méthodologie modélise la génération de matières résiduelles, la planification d’itinéraires de collecte et de transport et la localisation de centres de conditionnement. Cette approche est appliquée à une étude de cas à Montréal pour une filière de polytéréphtalate d’éthylène (PET; Plastique no. 1). Pour chaque scénario de décentralisation envisagé (nombre de centres déployés), l’étude de cas calcule deux indicateurs de performance : les couts d’exploitation et d’investissement ainsi que les gaz à effets de serre. Un scénario de référence permet la comparaison des scénarios envisagés. \n \nLes résultats montrent que, pour l’étude de cas, la décentralisation réduit les émissions de gaz à effet de serre de 20,3 % et les frais d’exploitation de 8,04 %. En revanche, l’investissement dans la nouvelle infrastructure demeure le plus grand frein financier. Ce cout peut atteindre jusqu’à 89,7 % des dépenses dans un contexte centralisé. Malgré tout, la décentralisation augmente la flexibilité de la collecte face à une demande en évolution. Le kilométrage par tonne est réduit de 35,3% et le tonnage moyen par itinéraire est réduit de 12,8 %. D’ailleurs, dans l’étude de cas, la collecte et le transport s’est appliqué sur un territoire qui a généré 1,15 kt de matières recyclables, réparti sur 22 326 tronçons. \n \nPlus largement, la méthodologie développée demeure générique et applicable à d’autres contextes territoriaux et d’affaires. Elle peut être utilisée pour envisager d’autres décisions sur la gestion des matières résiduelles comme la mutualisation de l’infrastructure ou la collecte à la demande.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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".