First-order estimates of the costs, input-output energy analysis, and energy returns on investment of conventional and emerging biofuels feedstocks
Notice bibliographique
Résumé
Here we report on a static, algebraic, spreadsheet-implemented modeling approach to estimate the costs, energy inputs and outputs, and global warming potential of biomass feedstocks. Inputs to the model included literature sourced data for: environmental factors, crop physiological-parameters such as radiation use efficiency and water use efficiency, and crop cost components. Using an energy-input-output life-cycle-assessment approach, we calculated the energy associated with each cost component, allowing an estimate of the total energy required to produce the crop and fuel alongside the energy return on investment. We did this for crop scenarios in the upper Midwest US and Far West US (for algae). Our results suggested that algae are capable of the highest areal biomass production rates of 120 MG/(ha·a), ten times greater than Maize. Algal fuel systems had the highest costs, ranging from 28 to 65 US $/GJ, compared to 17 US $/GJ for Maize ethanol. Algal fuel systems had the lowest energy returns on investment, nearly 0, compared to 25 for Switchgrass to ethanol. The carbon equivalent emissions associated with the production schemes predictions ranged from 40 (Maize) to 180 (algae PBR) CO2eq/GJnet. The promise of low cost fuel and carbon neutrality from algae is demonstrated here to be extremely challenging for fundamental reasons related to the capital-intensive nature of the cultivation system.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».