Carbon footprinting of carbon capture and -utilization technologies: discussion of the analysis of Carbon XPRIZE competition team finalists
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 Life cycle assessments (LCAs) of early-stage technologies can provide valuable insights about key drivers of emissions and aid in prioritizing research into further emissions-reduction opportunities. Despite this potential value, further development of LCA methods is required to handle the increased uncertainty, data gaps, and confidentially of early-stage data. This study presents a discussion of the life cycle carbon footprinting of technologies competing in the final round of the NRG COSIA Carbon XPRIZE competition—a US$20 million competition for teams to demonstrate the conversion of CO2 into valuable products at the scale of a small industrial pilot using consistent deployment conditions, boundaries, and methodological assumptions. This competition allowed the exploration of how LCA can be used and further improved when assessing disparate and early-stage technologies. Carbon intensity estimates are presented for two conversion pathways: (i) CO2 mineralization and (ii) catalytic conversion (including thermochemical, electrochemical, photocatalytic and hybrid process) of CO2, aggregated across teams to highlight the range of emissions intensities demonstrated at the pilot for individual life cycle stages. A future scenario is also presented, demonstrating the incremental technology and deployment conditions that would enable a team to become carbon-avoiding relative to an incumbent process (i.e. reducing emissions relative to a reference pathway producing a comparable product). By considering the assessment process across a diverse set of teams, conversion pathways and products, the study presents generalized insights about opportunities and challenges facing carbon capture and -utilization technologies in their next phases of deployment from a life cycle perspective.
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) | 0,000 | 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