Uncertainty analysis in the techno-economic assessment of CO2 capture and storage technologies. Critical review and guidelines for use
Notice bibliographique
Résumé
Uncertainty analysis is a key element of sound techno-economic analysis (TEA) of CO2 Capture and Storage (CCS) technologies and systems, and in the communication of TEA results. Many CCS technologies are relatively novel, with only few large-scale projects constructed and in operation to date. Therefore, uncertainties in technology performance and costs are often substantial, making it imperative that they be characterized and reported. Although uncertainty analysis itself is not novel, with some methods already frequently used by the CCS TEA community, a document that provides a comprehensive overview of methods and approaches, as well as guidance on their selection and use, is still lacking. Given its importance, we seek to fill this gap by providing a critical review of uncertainty analysis methods along with guidance on the selection and use of these methods for CCS TEAs, highlighting good practice and examples from the CCS literature. The paper starts by identifying the different audiences for CCS TEAs, the different modelling approaches available for CCS technology performance and cost analysis, and the different roles that uncertainty analysis may play. It then continues to discuss established, as well as emerging, uncertainty analysis methods and addresses how and when each method is best used, as well as common pitfalls. We argue that the most commonly used method of one-parameter-at-a-time ‘local’ sensitivity analysis may often be a suboptimal choice, and that other approaches may be more suitable or lead to more insight, especially since uncertainty analysis software is becoming more widespread and easier to use. Finally, the paper discusses the benefits of advanced uses of uncertainty analysis in, for instance, the design of CCS experiments or in the design and planning of CCS infrastructure. Sound uncertainty analysis has an important role to play in TEAs of CCS technologies and systems, and there are many opportunities to bring the use of uncertainty analysis to a higher level than currently practiced. This review of and guidance on available methods is intended to help accelerate continued methods development and their application to more robust and meaningful CCS performance and costing studies.
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 | 0,137 | 0,238 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,015 | 0,011 |
| Études des sciences et des technologies | 0,003 | 0,009 |
| Communication savante | 0,013 | 0,013 |
| Science ouverte | 0,008 | 0,006 |
| Intégrité de la recherche | 0,009 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 ».