Current situation of carbon dioxide capture, storage, and enhanced oil recovery in the oil and gas industry
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
Carbon capture and storage (CCS) is an important low‐carbon management technology used to reduce CO 2 emissions with the captured anthropogenic CO 2 for enhanced oil recovery (EOR). This paper provides an overview and analysis of current issues related to CCS projects and CCS technologies. The paper also assesses risks and costs as well as policy, legal, and regulatory frameworks relevant for CCS and the major countries with CCS deployment. Currently, the few CCS projects in operation are mostly for EOR purposes. However, miscible CO 2 ‐EOR in depleted oil and gas reservoirs appears to be the industry's first choice for CO 2 sequestration and increasing oil production. Potential CO 2 leakage is a major risk for pipelines and geological storage and a comprehensive monitoring program needs to be developed to ascertain its impact on pipeline material integrity, humans, and the environment. The cost of the CCS chain largely depends on the compression solvent for the synthesis gas or flue gas treatment for separation, heat rate, energy required for capture, capital costs of capture equipment, pipeline diameter, and flow capacity, and the homogeneity and permeability of the geological formations. An effective carbon pricing and cap‐and‐trade system as a part of national carbon policy is needed to achieve the goal of CCS. This paper finally discusses China's carbon capture utilization and storage (CCUS) systems and proposes a new CCUS‐LNG transportation process system for the coastal areas of China. Special attention was focused on CO 2 transportation, CCUS‐EOR, and a new CCUS‐LNG process system for China.
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 | 0,001 |
| 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