Economics of Carbon Capture and Storage for Small Scale Hydrogen Generation for Transit Refueling Stations
Notice bibliographique
Résumé
Refueling infrastructure for early adopters of hydrogen vehicles finally appears to be imminent. There is a consensus among long haul trucking and transit agencies that hydrogen fuel cell electric vehicles are likely to be the most cost-effective strategy for transitioning to low or zero emission fuels, especially in cold weather climates. Hydrogen refueling stations will require careful planning to ensure costs are low and that carbon dioxide emissions are minimized. Until such time that refueling stations are commonplace, the most likely scenario for mitigating both costs and carbon intensity will be local, on site hydrogen generation at the refueling stations. This study was undertaken on behalf of Stark Area Regional Transit Authority (SARTA), which currently has a hydrogen refueling station on its campus in Canton, Ohio, to support a fleet of hydrogen fuel cell buses and paratransit vehicles (17 by 2021). The refueling facility is expected to require 500 kg/day of hydrogen to maintain this fleet, and could grow higher depending upon future fleet replacement. Currently, SARTA has liquid hydrogen delivered by truck from a large steam methane reformer in Ontario, Canada. The life cycle carbon dioxide emissions, while significantly lower than that from burning diesel, is relatively high from this strategy. SARTA seeks to identify, and if practicable, implement lower carbon emission strategies. Accordingly, SARTA commissioned this study through the Renewable Hydrogen Fuel Cell Collaborative to examine alternative scenarios to mitigate carbon emissions from hydrogen delivery.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».