MétaCan
Menu
Retour à la cohorte
Enregistrement W2312337295 · doi:10.2118/177822-ms

Advancements of Shell Cansolv in Post-Combustion CO2 Capture Technology

2015· article· en· W2312337295 sur OpenAlexaboutno aff
Farhang Abdollahi, Devin Zane Shaw

Notice bibliographique

RevueAbu Dhabi International Petroleum Exhibition and Conference · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCarbon capture and storage (timeline)Enhanced oil recoveryProcess engineeringFlexibility (engineering)CombustionEngineeringWaste managementCoalEnvironmental scienceIndustrial gasSystems engineeringTurbineMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Abstract An affordable and reliable Carbon Capture&Storage (CCS) technology is the key step to reduce CO2 emission from new and existing coal-fired and Gas power plant, as well as large industrial sources. With the milestone start-up of the Boundary Dam Carbon Capture and EOR project (Saskatchewan Canada, 2014), Shell Cansolv's technology became the world's first technology deployed in post-combustion carbon capture at commercial scale in the coal-fired power industry. This coupled with on-going operations in post-combustion CO2 capture for utilization in the industrial and chemical market, as well as an on-going front end engineering design (FEED) for CO2 capture from a combined cycle gas turbine (CCGT) power station. The Shell Cansolv CO2 capture technology has accumulated a spectrum of experience and learnings covering Enhanced Oil Recovery (EOR), CCU and CCS. To open, this presentation will provide a project summary of Shell Cansolv in an on-going EOR, CCU and CCS application. Moreover, it will focus on the Shell Cansolv CO2 capture technology, providing a detailed technical description of how the line-up is adapted per application and provide rationale and relative performance indicators in each. A summary of the balance required to deliver the best Net Present Value (NPV) solution will be provided, such as the important considerations of optimization trade-offs on a per project basis, including: Increasing NPVOperations simplicityAcceptable Scale-up instead of multiple trainsEvolution in CANSOLV new solvents, their specifications and applicationsIntegration complexity vs. stand-alone robustnessA design for maximized availability, flexibility and cost-effective In conclusion, a description of some of the key learnings accumulated in each application will be discussed, as well as an indication of where we think the next breakthrough changes can and will be made.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0090,004

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 Opus0,016
Tête enseignante GPT0,256
Écart entre enseignants0,240 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAbu Dhabi International Petroleum Exhibition and ConferenceMême sujetReservoir Engineering and Simulation MethodsTravaux en français237 207