Supply chain optimization of flare‐gas‐to‐butanol processes in alberta
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.
Notice bibliographique
Résumé
ABSTRACT In this work, the economic feasibility of combining a novel portable gas‐to‐methanol process with a novel methanol‐to‐butanol process is examined. The gas‐to‐methanol process converts waste flare gas into methanol using a series of truck‐mounted devices deployed at oil production wellheads. The methanol‐to‐butanol process uses a new proprietary catalyst which produces butanol via a diketene intermediate at a large centralized facility. The goal of this work is to identify the best ways of commercializing this technology in Alberta. To do this, a supply chain optimization model is formulated which considers specifically how many gas‐to‐methanol trucks should be used and where specifically in Alberta they should be deployed, the specific suppliers of CO 2 to use, where the location of the central methanol‐to‐butanol facility should be chosen, and the costs of transportation of materials between locations. The model framework also considers the possibility of getting methanol in full or in part by alternative means such as producing methanol from conventional pipeline natural gas, or purchasing methanol from petrochemical or biomass‐based routes. The supply chain optimization problem is formulated as a nonconvex NLP and BARON is used in a Pareto analysis considering weighted combinations of economic and environmental objective functions. The resulting analysis provides a variety of possible viable strategies which can provide both profitability and reduced environmental emissions in Alberta by using a combination of the novel portable flare gas capture devices with more conventional gas‐to‐liquids technologies.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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