Gas to Liquids Techno-Economics of Associated Natural Gas, Bio Gas, and Landfill Gas
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
Methane is the second highest contributor to the greenhouse effect. Its global warming potential is 37 times that of CO2. Flaring-associated natural gas from remote oil reservoirs is currently the only economical alternative. Gas-to-liquid (GtL) technologies first convert natural gas into syngas, then it into liquids such as methanol, Fischer–Tropsch fuels or dimethyl ether. However, studies on the influence of feedstock composition are sparse, which also poses technical design challenges. Here, we examine the techno-economic analysis of a micro-refinery unit (MRU) that partially oxidizes methane-rich feedstocks and polymerizes the syngas formed via Fischer–Tropsch reaction. We consider three methane-containing waste gases: natural gas, biogas, and landfill gas. The FT fuel selling price is critical for the economy of the unit. A Monte Carlo simulation assesses the influence of the composition on the final product quantity as well as on the capital and operative expenses. The Aspen Plus simulation and Python calculate the net present value and payback time of the MRU for different price scenarios. The CO2 content in biogas and landfill gas limit the CO/H2 ratio to 1.3 and 0.9, respectively, which increases the olefins content of the final product. Compressors are the main source of capital cost while the labor cost represents 20–25% of the variable cost. An analysis of the impact of the plant dimension demonstrated that the higher number represents a favorable business model for this unit. A minimal production of 7,300,000 kg y−1 is required for MRU to have a positive net present value after 10 years when natural gas is the feedstock.
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 | 0,003 |
| 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) | 0,000 | 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 découle