MétaCan
Menu
Retour à la cohorte
Enregistrement W1624226751

Patent Analysis of Oil Sands Technologies

2009· article· en· W1624226751 sur OpenAlexaboutno aff
Ki-Bong Lee, Sang‐Goo Jeon, Nam‐Sun Nho, Kwang Ho Kim, Dae-Hyun Shin, Heoung-Yeoun Lee

Notice bibliographique

RevueJournal of the Korean Institute of Resources Recycling · 2009
Typearticle
Langueen
DomaineEnergy
ThématiqueGlobal Energy and Sustainability Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésOil sandsPetroleumChinaCrude oilAsphaltExtraction (chemistry)Synthetic crudePetroleum engineeringEmerging technologiesPatent analysisFossil fuelUnconventional oilEngineeringEnvironmental scienceMining engineeringWaste managementGeologyGeographyArchaeologyChemistryComputer science
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Oil sands are sands containing bitumen similar to crude petroleum. Oil sands had not received enough interest because of the high production cost. However, in the current record-high oil price situation, oil sands are considered as new sources for unconventional oil. In this study, patents analysis was performed for the technologies of production of synthetic crude oil from oil sands. The patents covered were open patents applied in Korea, US, Canada, Japan, Europe, and China. The patents were divided into five detailed technologies; mining and in-situ, extraction, upgrading, fuelling, and other technologies. For oil sands technologies, there have been steady patent applications, since the first patent was applied in 1969. The number of patents applied appeared to be affected by the variation of world oil price. The portion of patents applied in US and Canada was about 90% of the overall patents and it means 05 and Canada have led oil sands technologies. Mining and in-situ technologies, and extraction have been developed actively and occupied more than 77% of the overall patents. However, the number of patents applied for mining and in-situ technologies, and extraction has been constant or started to decrease since 2000. The number of patents applied for upgrading technologies increases recently and it shows the development of upgrading technologies is active now.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,560
Score d'incertitude au seuil0,355

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,023
Tête enseignante GPT0,268
Écart entre enseignants0,244 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the Korean Institute of Resources RecyclingMême sujetGlobal Energy and Sustainability ResearchTravaux en français237 207