Repeated leak detection and repair surveys reduce methane emissions over scale of years
Notice bibliographique
Résumé
Abstract Reducing methane emissions from the oil and gas industry is a critical climate action policy tool in Canada and the US. Optical gas imaging-based leak detection and repair (LDAR) surveys are commonly used to address fugitive methane emissions or leaks. Despite widespread use, there is little empirical measurement of the effectiveness of LDAR programs at reducing long-term leakage, especially over the scale of months to years. In this study, we measure the effectiveness of LDAR surveys by quantifying emissions at 36 unconventional liquids-rich natural gas facilities in Alberta, Canada. A representative subset of these 36 facilities were visited twice by the same detection team: an initial survey and a post-repair re-survey occurring ∼0.5–2 years after the initial survey. Overall, total emissions reduced by 44% after one LDAR survey, combining a reduction in fugitive emissions of 22% and vented emissions by 47%. Furthermore, >90% of the leaks found in the initial survey were not emitting in the re-survey, suggesting high repair effectiveness. However, fugitive emissions reduced by only 22% because of new leaks that occurred between the surveys. This indicates a need for frequent, effective, and low-cost LDAR surveys to target new leaks. The large reduction in vent emissions is associated with potentially stochastic changes to tank-related emissions, which contributed ∼45% of all emissions. Our data suggest a key role for tank-specific abatement strategies as an effective way to reduce oil and gas methane emissions. Finally, mitigation policies will also benefit from more definitive classification of leaks and vents.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».