Rahtilaivojen orgaanisten jätejakeiden hyödyntäminen uusiutuvan energian lähteenä
Bibliographic record
Abstract
Rahtilaivojen mustat ja harmaat vedet on lain mukaan mahdollista laskea edelleen mereen. Suomen satamissa rahtilaivojen tyhjennyksiä tapahtuu vähän suhteessa liikennöivien alusten määrään, pois lukien risteilijät, joiden velvollisuus on tyhjentää mustat ja harmaat vedet satamaan. Kehittämistyön tavoite on selvittää laskennallisesti, kuinka paljon rahtilaivojen mustia ja harmaita vesiä olisi mahdollisesti tyhjennettävissä Suomen satamiin vuositasolla ja kuinka paljon siitä saisi energiaa. Tavoitteena on myös löytää satamille paras toimintamalli tyhjennysprosessiin. \n \nLaskennallisessa osuudessa, selvitetään Suomessa liikennöivien rahtilaivojen mahdollinen jätevesien määrä sekä lasketaan vuotuisen kokonaismäärän mahdollinen energiahyöty esimerkiksi biokaasuntuotannossa. Laskennassa huomioidaan myös mahdollinen ravinteiden määrä tyhjennettävistä jätevesistä. Laskelmat perustuvat vuoden 2021 satamakäynteihin, rahtilaivojen edellisen- ja tulosataman välimatkoihin sekä aikoihin, jonka perusteella mahdollinen mustien ja harmaiden vesien määrä on arvioitu. Tutkimuksessa myös vertailtiin laskennallisia mustien ja harmaiden vesien tyhjennysmääriä todellisiin tyhjennysmääriin. Ravinne- ja energianmäärä laskettiin hyödyntämällä laboratoriotutkimuksia, joita oli otettu tyhjennyksiä tehneistä rahtialuksista. \n \nRahtilaivojen mustien ja harmaiden vesien vuotuinen tyhjennysmäärä on laskennallisesti saadun keskiarvon perusteella noin 30 000 m3, joka on noin 70 % todellisien tyhjennysmäärien keskiarvosta. Saatu energiamäärä riippuu kiintoaineen määrästä sekä kaasuntuottopotentiaaliluvusta, joilla laskelmat tehdään. Vuotuinen energiamäärä vaihtelee edellä mainittujen seikkojen perusteella noin 340–1200 MWh välillä. Mustista ja harmaista vesistä saatu laskennallinen energiamäärä ei ratkaise nykyistä energiakriisiä, mutta se edistää Suomen tavoitteita ilmastopolitiikassa ja kiertotaloudessa.
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) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.059 | 0.019 |
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".