A review of close-range and screening technologies for mitigating fugitive methane emissions in upstream oil and gas
Notice bibliographique
Résumé
Abstract Fugitive methane emissions from the oil and gas industry are targeted using leak detection and repair (LDAR) programs. Until recently, only a limited number of measurement standards have been permitted by most regulators, with emphasis on close-range methods (e.g. Method-21, optical gas imaging). Although close-range methods are essential for source identification, they can be labor-intensive. To improve LDAR efficiency, there has been a policy shift in Canada and the United States towards incorporating alternative technologies. However, the suitability of these technologies for LDAR remains unclear. In this paper, we systematically review and compare six technology classes for use in LDAR: handheld instruments, fixed sensors, mobile ground labs (MGLs), unmanned aerial vehicles (UAVs), aircraft, and satellites. These technologies encompass broad spatial and temporal scales of measurement. Minimum detection limits for technology classes range from <1 g h −1 for Method 21 instruments to 7.1 × 10 6 g h −1 for the GOSAT satellite, and uncertainties are poorly constrained. To leverage the diverse capabilities of these technologies, we introduce a hybrid screening-confirmation approach to LDAR called a comprehensive monitoring program. Here, a screening technology is used to rapidly tag high-emitting sites to direct close-range source identification. Currently, fixed sensors, MGLs, UAVs, and aircraft could be used as screening technologies, but their performances must be evaluated under a range of environmental and operational conditions to better constrain detection effectiveness. Methane-sensing satellites are improving rapidly and may soon be ready for facility-scale screening. We conclude with a speculative discussion of the future of LDAR, touching on integration, analytics, incentivization, and regulatory pathways.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».