Adapting Technology Learning Curves for Prospective Techno-Economic and Life Cycle Assessments of Emerging Carbon Capture and Utilization Pathways
Notice bibliographique
Résumé
Comparisons of emerging carbon capture and utilization (CCU) technologies with equivalent incumbent technologies are necessary to support technology developers and to help policy-makers design appropriate long-term incentives to mitigate climate change through the deployment of CCU. In particular, early-stage CCU technologies must prove their economic viability and environmental reduction potential compared to already-deployed technologies. These comparisons can be misleading, as emerging technologies typically experience a drastic increase in performance and decrease in cost and greenhouse gas emissions as they develop from research to mass-market deployment due to various forms of learning. These changes complicate the interpretation of early techno-economic assessments (TEAs) and life cycle assessments (LCAs) of emerging CCU technologies. The effects of learning over time or cumulative production themselves can be quantitatively described using technology learning curves (TLCs). While learning curve approaches have been developed for various technologies, a harmonized methodology for using TLCs in TEA and LCA for CCU in particular is required. To address this, we describe a methodology that incorporates TLCs into TEA and LCA to forecast the environmental and economic performance of emerging CCU technologies. This methodology is based on both an evaluation of the state of the art of learning curve assessment and a literature review of TLC approaches developed in various manufacturing and energy generation sectors. Additionally, we demonstrate how to implement this methodology using a case study on a CO 2 mineralization pathway. Finally, commentary is provided on how researchers, technology developers, and LCA and TEA practitioners can advance the use of TLCs to allow for consistent, high-resolution modeling of technological learning for CCU going forward and enable holistic assessments and fairer comparisons with other climate technologies.
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 | 0,034 | 0,122 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,009 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,011 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».