Teollisen aurinkovoimalan elinkaarilaskelma
Bibliographic record
Abstract
Tämän opinnäytetyön tarkoituksena oli selvittää teollisen mittakaavan aurinkovoimalaitoshankkeen eri päästölähteet ja vastata tutkimuskysymykseen "Kuinka paljon teollisen mittakaavan aurinkovoimalaitos tuottaa kasvihuonepäästöjä koko elinkaarensa aikana?". Työn tavoitteena oli myös tuottaa toimeksiantajan käyttöön laskentatyökalupohja, jota yritys voi jatkojalostaa ja käyttää hyväkseen muiden hankkeidensa hiilijalanjäljen suuruuden laskemiseen. Työ rakentui vahvasti LCA:n, eli elinkaarianalyysin viitekehyksen ympärille, jota mukaillen myös hankkeen kvantitatiivinen tutkimus toteutettiin. Työn aineisto kerättiin aurinkoenergia-alan toimijoilta saaduista EPD-dokumenteista sekä avoimen datan päästötietokannoista. Työn tuloksena tutkimuksen kohteena olleen aurinkovoimalahankkeen elinkaaren aikaisten päästöjen arvioidaan jäävän alle puoleen Suomessa tuotetun sähköenergian päästökeskiarvoon verrattuna. Kohdehankkeen suunnitelmien varhaisesta vaiheesta johtuen työ ei kata täysin hankkeen elinkaaren aikaisia päästölähteitä, mutta verratessa tuloksia jo tehtyihin elinkaarianalyyseihin, voi tuloksia pitää oikeansuuntaisina. Laskurin rakentamiseen vajaat tiedot eivät vaikuttaneet ja toimeksiantaja voikin jatkaa laskujen tarkentamista hankkeen suunnitelmien edetessä.
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 | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.007 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.120 | 0.038 |
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".