Can new mobile technologies enable fugitive methane reductions from the oil and gas industry?
Notice bibliographique
Résumé
Abstract New mobile platforms such as vehicles, drones, aircraft, and satellites have emerged to help identify and reduce fugitive methane emissions from the oil and gas sector. When deployed as part of leak detection and repair (LDAR) programs, most of these technologies use multi-visit LDAR (MVL), which consists of four steps: (a) rapidly screen all facilities, (b) triage by emission rate, (c) follow-up with close-range methods at the highest-emitting sites, and (d) conduct repairs. The proposed value of MVL is to identify large leaks soon after they arise. Whether MVL offers an improvement over traditional single-visit LDAR (SVL), which relies on undirected close-range surveys, remains poorly understood. We use the Leak Detection and Repair Simulator (LDAR-Sim) to examine the performance and cost-effectiveness of MVL relative to SVL. Results suggest that facility-scale MVL programs can achieve fugitive emission reductions equivalent to SVL, but that improved cost-effectiveness is not guaranteed. Under a best-case scenario, we find that screening must cost < USD 100 per site for MVL to achieve 30% cost reductions relative to SVL. In scenarios with non-target vented emissions and screening quantification uncertainty, triaging errors force excessive close-range follow-up to achieve emissions reduction equivalence. The viability of MVL as a cost-effective alternative to SVL for reducing fugitive methane emissions hinges on accurate triaging after the screening phase.
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 | 0,001 | 0,003 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».