MétaCan
Menu
Retour à la cohorte
Enregistrement W2146620868 · doi:10.7122/151349-ms

A Risk-Based Monitoring Plan for the Fort Nelson Feasibility Project

2012· article· en· W2146620868 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueCarbon Management Technology Conference · 2012
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueCO2 Sequestration and Geologic Interactions
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCitationLibrary sciencePlan (archaeology)HistoryOperations researchComputer scienceArchaeologyEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract The Plains CO2 Reduction (PCOR) Partnership and Spectra Energy Transmission (SET) are investigating the feasibility of a carbon capture and storage (CCS) project near Fort Nelson, British Columbia, Canada. The project aims to reduce carbon dioxide (CO2) emissions from SET's Fort Nelson sour gas-processing plant by injecting up to 2 million tonnes of sour CO2 (approximately 95% CO2, 4% hydrogen sulfide [H2S], and 1% methane [CH4]) a year into a deep mid-Devonian-age carbonate reef for long-term geologic storage. The Fort Nelson CCS project provides a unique opportunity to develop a set of cost-effective, risk-based monitoring techniques for large-scale storage of sour CO2 in deep saline formations. An approach is being developed that integrates characterization, modeling, risk assessment, and monitoring into an iterative process to produce superior quality results during each phase of the project. During the preinjection phase of the project, the characterization activities are used as input to the modeling effort. The results of the modeling and characterization activities are used as input to the first-round risk assessment, which helps identify knowledge gaps and project risks. The output from the risk assessment is then used to guide further characterization efforts and develop the monitoring plan. Once injection begins, the monitoring program results will be compared to the modeling predictions. The models will be adjusted as necessary, and new simulations will be run to predict the movement of the injected sour CO2 in the reservoir. Predictions that closely match the monitoring data will strengthen the project by 1) demonstrating that the modeling can be used to accurately aid in risk identification, 2) providing insight into long-term stability of the CCS system, 3) helping to ascertain when closure conditions have been met in the postinjection phase, and 4) enabling the CCS operator to obtain CCS project closure certification. Although specific techniques and procedures may change as the project proceeds, this philosophy of integrated characterization, modeling, and risk assessment will ensure that monitoring strategies remain fit for purpose, cost-effective, and efficient throughout the life of the project.

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.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,113
Score d'incertitude au seuil0,375

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,062
Tête enseignante GPT0,307
Écart entre enseignants0,245 · 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