MétaCan
Menu
Retour à la cohorte
Enregistrement W2753054181 · doi:10.1155/2017/6126505

Worldwide Status of CCUS Technologies and Their Development and Challenges in China

2017· article· en· W2753054181 sur OpenAlexaff
H. J. Liu, Patrick Were, Qi Li, Yang Gou, Zhengmeng Hou

Notice bibliographique

RevueGeofluids · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueCO2 Sequestration and Geologic Interactions
Établissements canadiensInstitut National de la Recherche Scientifique
Organismes subventionnairesNational Natural Science Foundation of ChinaChina Clean Development Mechanism FundAustralian Government
Mots-clésChinaIndustrialisationScale (ratio)Environmental scienceEngineeringFossil fuelBusinessPolitical scienceWaste managementGeography

Résumé

récupéré en direct d'OpenAlex

Carbon capture, utilization, and storage (CCUS) is a gas injection technology that enables the storage of CO2 underground. The aims are twofold, on one hand to reduce the emissions of CO2 into the atmosphere and on the other hand to increase oil/gas/heat recovery. Different types of CCUS technologies and related engineering projects have a long history of research and operation in the USA. However, in China they have a short development period ca. 10 years. Unlike CO2 capture and CO2-EOR technologies that are already operating on a commercial scale in China, research into other CCUS technologies is still in its infancy or at the pilot-scale. This paper first reviews the status and development of the different types of CCUS technologies and related engineering projects worldwide. Then it focuses on their developments in China in the last decade. The main research projects, international cooperation, and pilot-scale engineering projects in China are summarized and compared. Finally, the paper examines the challenges and prospects to be experienced through the industrialization of CCUS engineering projects in China. It can be concluded that the CCUS technologies have still large potential in China. It can only be unlocked by overcoming the technical and social challenges.

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)0,003
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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,006
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,036
Tête enseignante GPT0,256
Écart entre enseignants0,220 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations145
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGeofluidsMême sujetCO2 Sequestration and Geologic InteractionsTravaux en français237 207