How CO2-to-Diesel Technology Could Help Reach Net-Zero Emissions Targets: A Canadian Case Study
Notice bibliographique
Résumé
Carbon capture, utilization, and storage (CCUS) is an attractive technology for the decarbonization of global energy systems. However, its early development stage makes impact assessment difficult. Moreover, rising popularity in carbon pricing necessitates the development of a methodology for deriving carbon abatement costs that are harmonized with the price of carbon. We develop, using a combined bottom-up analysis and top-down learning curve approach, a levelized cost of carbon abatement (LCCA) model for assessing the true cost of emissions mitigation in CCUS technology under carbon pricing mechanisms. We demonstrate our methodology by adapting three policy scenarios in Canada to explore how the implementation of CO2-to-diesel technologies could economically decarbonize Canada’s transportation sector. With continued policy development, Canada can avoid 932 MtCO2eq by 2075 at an LCCA of CA$209/tCO2eq. Technological learning, low emission hydroelectricity generation, and cost-effective electricity prices make Quebec and Manitoba uniquely positioned to support CO2-to-diesel technology. The additional policy supports beyond 2030, including an escalating carbon price, CO2-derived fuel blending requirements, or investment in low-cost renewable electricity, which can accelerate market diffusion of CO2-to-diesel technology in Canada. This methodology is applicable to different jurisdictions and disruptive technologies, providing ample foci for future work to leverage this combined technology learning + LCCA approach.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».