Simplified Life Cycle Assessment models : methodological framework and applications to energy pathways
Bibliographic record
Abstract
La transition énergétique est un enjeu majeur actuel et des années à venir. Parmi les défis qu’elle va soulever figure la limitation des impacts environnementaux de la production d’électricité. Pour cela, des outils d’aide à la décision, simples d’utilisation et suffisamment précis, considérant les aspects environnementaux et permettant d’optimiser les choix énergétiques futurs, doivent être mis en place. L’analyse environnementale d’une filière de conversion d’énergie est un sujet complexe. Elle comporte en effet deux niveaux. Le niveau « filière », caractérise le profil global d’impacts environnementaux des systèmes, et le niveau « système » caractérise leurs impacts, permettant ainsi une analyse intra-filière. Pour répondre à ce besoin de caractérisation en deux niveaux, nous proposons une méthodologie générique permettant de développer des modèles d’estimation des profils environnementaux de chacune des filières et d’estimer simplement ceux des systèmes qui la composent sans avoir à réaliser une étude détaillée. Cette méthodologie repose sur la définition d’un modèle d’Analyse de Cycle de Vie paramétré prenant en compte, par Analyse Globale de Sensibilité, un large échantillon de systèmes représentatif des configurations observées en pratique au sein des filières. Dans un second temps, des modèles simplifiés estimant les performances environnementales des systèmes sont définis, en fonction de quelques paramètres clefs identifiés comme expliquant la plus grande part de variance des impacts environnementaux de la filière. Cette méthodologie de réduction de modèle a été appliquée à la filière éolienne terrestre en Europe et à la filière photovoltaïque résidentielle en France.
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 | 0.003 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 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".