Improving robustness of LCA results through stakeholder engagement: A case study of emerging oil sands technologies
Notice bibliographique
Résumé
Life cycle assessments can help inform decision-making about greenhouse gas (GHG) emission reduction opportunities but are often not embraced by stakeholders associated with industries where study results are highly scrutinized and often contentious. This project was motivated by stakeholder interest in understanding open source life cycle models (the Oil Production Greenhouse Gas Emissions Estimator, OPGEE, and the Petroleum Refinery Life Cycle Inventory Model, PRELIM) and how accurately they can estimate emissions for existing oil sands projects and emerging technologies. We evaluate the robustness of these models and improve them using data from three existing oil sands projects (mining + upgrading, mining + dilution, and steam assisted gravity drainage, SAGD, + dilution). The models are then applied to estimate the GHG emissions reduction potential for two emerging in situ oil sands technologies. We find that, when boundaries are aligned, OPGEE can generate upstream GHG emissions estimates for the projects modeled within 1-4% of company reported GHG emissions data. Extending the boundary to include indirect (life cycle) emissions can lead to a doubling in upstream GHG emissions intensity. The two emerging technologies evaluated in the study can reduce upstream emissions by 14-19% compared to a SAGD project operating at the same reservoir, or 1.4-1.9% on a well-to-wheel basis. This work contributes a revised process of conducting LCAs that includes stakeholder input throughout and results in more robust and transparent estimates of emissions from deploying existing and emerging technologies.
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 | 0,000 |
| 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 ».