Greenhouse gases emissions in liquified natural gas as a marine fuel: Life cycle analysis and reduction potential
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Substantial increases in shale gas production due to advances in hydraulic fracturing have created tremendous monetization and sustainable development opportunities, one of which is liquified natural gas (LNG). The International Maritime Organization (IMO) has targeted reducing greenhouse gas (GHG) emissions from shipping by 50% by 2050. Conventional shipping fuels currently used are heavy fuel oil (HFO) and marine gas/diesel oil (MGO/MDO). There has been growing interest in using LNG as a shipping fuel because of its competitive cost, availability, and the presence of bunkering infrastructure. A thorough literature review of LNG life cycle GHG emissions shows variation depending on the following factors: shale gas extraction, pretreatment, pipeline transportation distance, liquefaction plant capacity/technology, and ship propulsion system. Compared to conventional fuels, LNG can reduce life cycle emissions up to 18%. Incorporating renewables‐based power generation in liquefaction can reduce emissions by a further 5%–10% (renewable‐assisted LNG). The reduction potential and economic effects of this modification on LNG cost are examined and it is shown that low wind‐based electricity prices can make renewable‐assisted LNG competitive. A comprehensive understanding of the factors impacting LNG emissions help identify the current and future potential of LNG in reducing shipping industry emissions and providing a short‐term transitional fuel until it is supplanted with decarbonized fuels. This paper also uses water‐energy nexus to examine the impact of responsible water management on the carbon footprint of LNG.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 découle