Optimal Production Planning and Pollution Control in Petroleum Refineries Using Mathematical Programming and Dispersion Models
Notice bibliographique
Résumé
Oil refineries, producing a large variety of products, are considered as one of the main sources of air contaminants such as sulfur oxides (SOx), hydrocarbons, nitrogen oxides (NOx), and carbon dioxide (CO2), which are primarily caused by fuel combustion. Gases emanated from the combustion of fuel in an oil refinery need to be reduced, as it poses an environmental hazard. Several strategies can be applied in order to mitigate emissions and meet environmental regulations. This study proposes a mathematical programming model to derive the optimal pollution control strategies for an oil refinery, considering various reduction options for multiple pollutants. The objective of this study is to help decision makers select the most economic pollution control strategy, while satisfying given emission reduction targets. The proposed model is tested on an industrial scale oil refinery sited in North Toronto, Ontario, Canada considering emissions of NOx, SOx, and CO2. In this analysis, the dispersion of these air pollutants is captured using a screening model (SCREEN3) and a non-steady state CALPUFF model based on topographical and meteorological conditions. This way, the impacts of geographic location on the concentration of pollutant emissions were examined in a realistic way. The numerical experiments showed that the optimal production and pollution control plans derived from the proposed optimization model can reduce NOx, SOx, and CO2 emission by up to 60% in exchange of up to 10.7% increase in cost. The results from the dispersion models verified that these optimal production and pollution control plans may achieve a significant reduction in pollutant emission in a large geographic area around the refinery site.
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) | 0,000 | 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 ».