Computationally efficient quantification of unknown fugitive emissions sources
Notice bibliographique
Résumé
Fugitive emissions or unintentional losses of gas (e.g. leaks) are a significant source of greenhouse gases within the oil and gas sector. Previous work has demonstrated the potential of a scalar transport adjoint method for using sparse sensor data to locate and quantify multiple simultaneous unknown fugitive emission sources within a bluff-body dominated facility environment. This paper builds directly on that work and demonstrates the significant computational time reductions that can be achieved by modifying this approach to use a database of pre-computed retro-tracers (PRT). The computational cost, as well as estimated source emission rates and locations, were compared for both an open field release and multiple releases in a bluff-body dominated domain when using the PRT method versus the concurrent gas transport computations from previous work. For the open-field release, given the same wind input there were no significant differences in results of the two approaches. For the bluff-body dominated multiple source case (a domain representative of an actual gas plant), using simplified wind fields for the PRT database generation allowed major sources to be successfully located. The emission rates were computed within −75% to −32% of their actual value. When the wind direction coverage was increased to 110° from ∼60°, the emission rate computations improved to within approximately −30% to −25%. The total computational cost for both methods was of a similar order of magnitude when including the initial database generation for the PRT method, but non-reusable computational time was reduced by a factor of 200–600 times making the PRT method feasible on a standard desktop computer once the database is generated. This is a noteworthy achievement as it raises the possibility of continuous or near-continuous characterization of unknown fugitive emissions sources within
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 | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».