A novel risk analysis methodology to evaluate the economic performance of a biorefinery and to quantify the economic incentives for participating biomass producers
Notice bibliographique
Résumé
Abstract In this paper, a novel risk analysis methodology is presented to evaluate the economic performance of a biorefinery given the volatility in the market price of the final product and the variability in the biomass delivered cost. In addition, potential economic incentives for participating biomass producers are quantified for different farm participation rates. The Monte Carlo simulation model, IBSAL‐MC, is used to estimate the biomass delivered cost distribution, and a modified risk heat map is used to visualize the expected return on investment (ROI) for various combinations of the market price of the final product and the biomass delivered cost. The developed methodology is applied to an under‐construction cellulosic sugar facility located in Sarnia, southwestern Ontario. Four farm participation rates of 20% (base‐case scenario), 30%, 40% and 50% are studied. The results show that the expected annual ROI for the base‐case scenario is estimated to be 1.3%. As the farm participation rate increases, the expected annual ROI increases from 1.3% at 20% farm participation rate to 3.4%, 4.6% and 5.1% at 30%, 40% and 50% rates, respectively. At high sugar market prices ($375–$525/tonne), the overall expected annual ROI increases to 9.5%, 11.4%, 12.6% and 13.0% in 20%, 30%, 40% and 50% farm participation rates, respectively. In this case, the economic incentives to share with biomass producers are estimated to be $14.10/dry tonne (dt), $15.77/dt and $16.33/dt by increasing the farm participation rate from 20% to 30%, 40% and 50%, respectively. © 2018 Society of Chemical Industry and John Wiley & Sons, Ltd
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 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 | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».