A graph-matrix hybrid approach for deep temporalisation in time-explicit LCA

Resumen Técnico: Un enfoque híbrido de grafo-matriz para la temporalización profunda en el ACV con tiempo explícito

Planteamiento del problema
El Análisis de Ciclo de Vida (ACV) convencional suele asumir que todos los procesos de un sistema de producto ocurren en un único punto en el tiempo y que la economía de fondo permanece estática. Si bien los métodos de ACV dinámico y prospectivo han avanzado para representar la temporalidad de los procesos, la temporalidad de las emisiones y las bases de datos de fondo específicas de cada año, los enfoques existentes suelen concentrar la temporalización en el primer plano (foreground). Con frecuencia, conectan los eventos del primer plano con instantáneas (snapshots) de fondo sin propagar los intercambios temporalizados más profundamente en la cadena de suministro. Esta limitación es crítica para sistemas de larga vida útil (p. ej., infraestructura, sistemas energéticos) y tecnologías integradas en economías que cambian rápidamente, donde las dinámicas ascendentes (como la construcción de infraestructura, la rotación de flotas o el tratamiento de residuos diferido) influyen significativamente en los resultados resueltos en el tiempo. Las herramientas actuales carecen de flujos de trabajo que representen eficazmente las distribuciones temporales en toda la cadena de suministro, incluyendo los intercambios de fondo, lo que conduce a una posible representación errónea de la dinámica del sistema.

Metodología: El marco de trabajo Trails
Los autores presentan Trails, una implementación de código abierto de un método híbrido de grafo-matriz diseñado para lograr una "temporalización profunda". Este enfoque propaga las distribuciones temporales más allá del sistema de primer plano a través de intercambios y procesos situados a varios niveles de distancia del la unidad funcional.

• Algoritmo híbrido Grafo-Matriz: Trails evita la carga computacional de resolver una única matriz masiva expandida en el tiempo. En su lugar, emplea un proceso de dos pasos:

  1. Enrutamiento Temporal (Grafo): El sistema se modela como un grafo de enrutamiento temporal donde los nodos representan pares proceso-año $(i, y)$. Trails utiliza un recorrido adaptativo basado en puntuación para expandir las ramas. Enruta las demandas a través de la cadena de suministro, aplicando distribuciones temporales (desfases y pesos) a los intercambios. Este paso determina qué actividades ascendentes son relevantes en años específicos basándose en un umbral definido por el usuario relativo al potencial de puntuación estática.
  2. Resolución Año por Año (Matriz): Una vez que el enrutamiento identifica las "demandas de frontera" (el límite del grafo expandido), estas demandas se agregan por año calendario. Cada vector de demanda anual se resuelve de forma independiente utilizando la matriz de la tecnosfera correspondiente a ese año ($A_y$). Esto preserva la compatibilidad con el ACV matricial convencional mientras gestiona las dependencias entre distintos años.

• Bases de Datos Conectadas con Índice Temporal: Trails trata los snapshots de años de escenario (p. ej., de 2000 a 2100) como rebanadas de un tensor 3D. Soporta dos interpretaciones para los intercambios distribuidos temporalmente:

  • Modo de Año de Anclaje (Anchor-Year Mode): El coeficiente de intercambio se lee del año en que ocurre el proceso y se distribuye en el tiempo.
  • Modo de Año Objetivo (Target-Year Mode): La distribución temporal determina los años objetivo, pero el coeficiente se lee de la matriz del año objetivo, reflejando la evolución de la tecnología o de las condiciones de la cadena de suministro.

• Evaluación de Impacto: El método se integra con modelos de impacto dinámicos, específicamente el emulador climático FaIR, para generar respuestas de forzamiento radiativo y temperatura resueltas en el tiempo. También soporta indicadores de equivalencia de pulso de CO2 de ventana fija que contabilizan la temporalidad de las emisiones dentro de una ventana de evaluación específica.

Contribuciones Clave

1. Formalización de la Temporalización Profunda: El artículo define la temporalización profunda como la propagación recursiva de metadatos temporales más allá del primer plano hacia las matrices de fondo conectadas y con índice temporal.
2. Implementación Algorítmica: Introduce un algoritmo híbrido grafo-matriz práctico que combina el enrutamiento temporal explícito con resoluciones de matriz anuales eficientes, haciendo que la temporalización profunda sea computacionalmente viable para profesionales aplicados.
3. Elecciones de Modelado: El trabajo aclara la distinción entre las interpretaciones de coeficientes de año de anclaje y año objetivo, una elección que afecta significativamente los resultados en bases de datos prospectivas donde las mezclas tecnológicas evolucionan.
4. Herramienta de Código Abierto: Trails se lanza como una biblioteca de Python de código abierto, cerrando la brecha entre la generación de bases de datos prospectivas (p. ej., mediante Premise) y el análisis temporal profundo.

Resultos
Los autores demostraron el enfoque utilizando cuatro estudios de caso con eventos de ciclo de vida de varias décadas: un vehículo eléctrico con batería, la producción de poliol por captura y utilización de carbono (CCU), un cambio de combustible marino y un sistema de Captura Directa de Aire con Almacenamiento de Carbono (DACCS).

• Variaciones de Puntuación: La temporalización profunda alteró significamente las puntuaciones acumuladas en comparación con el ACV estático y el ACV con tiempo explícito solo para el primer plano.
  • Respecto al ACV estático, los cambios oscilaron entre -23.8% y +22%.
  • Respecto al ACV con tiempo explícito solo para el primer plano, los cambios oscilaron entre -18.3% y +20.3%.
• Hallazgos Específicos:
  • Cambio de Combustible Marino: Mostró el efecto más fuerte de la temporalización profunda (-23.8% frente a estático), impulsado por la temporalidad de la construcción de la infraestructura para las cadenas de combustibles fósiles y sintéticos en décadas anteriores.
  • DACCS: La temporalización profunda acercó la puntuación acumulada al resultado estático, mientras que la temporalización solo para el primer plano arrojó una puntuación significativamente menor (+20.3% de diferencia), resaltando la importancia de la temporalidad de la infraestructura de gas natural ascendente.
  • Producción de Poliol: La temporalización profunda aumentó la puntuación en un +22% en relación con el ACV estático, revelando impactos de la construcción de instalaciones químicas que se remontan a 1987, los cuales fueron omitidos en los enfoques de solo primer plano.
• Perfiles Temporales: El método desplazó la temporalidad de la infraestructura ascendente, de las cadenas de combustible y de las contribuciones de emisiones a largo plazo, alterando la forma de las curvas de impacto acumulado a lo largo del tiempo.

Significancia y Reivindicaciones
El artículo sostiene que Trails proporciona una herramienta diagnóstica y metodológica necesaria para probar si la temporalización ascendente es relevante para la decisión dentro de una perspectiva temporal elegida. Su principal significancia no radica en afirmar una precisión superior para todos los casos, sino en revelar dinámicas temporales que de otro modo permanecerían ocultas en modelos estáticos o de solo primer plano.

Los autores posicionan a Trails como complementario a las herramientas existentes (como bw_timex, DyPLCA y Temporalis). Es particularmente valioso para sistemas con infraestructura de larga vida útil, tratamientos de fin de vida diferidos y cadenas de suministro que cambian rápidamente. Sin embargo, el artículo señala modestamente que para productos de vida corta o sistemas donde las distribuciones temporales se conocen poco, los modelos estáticos o de solo primer plano pueden seguir siendo suficientes. La herramienta está diseñada para ayudar a los profesionales a determinar cuándo añadir modelado temporal en todo el sistema de producto es justificado por el contexto de la decisión.