MétaCan
Menu
Retour à la cohorte
Enregistrement W4225424200 · doi:10.1016/j.isci.2022.104270

Optimizing utilization of point source and atmospheric carbon dioxide as a feedstock in electrochemical CO2 reduction

2022· article· en· W4225424200 sur OpenAlexaff
Alex Badgett, Alison Feise, Andrew G. Star

Notice bibliographique

RevueiScience · 2022
Typearticle
Langueen
DomaineEnergy
ThématiqueCO2 Reduction Techniques and Catalysts
Établissements canadiensUniversity of Toronto
Organismes subventionnairesOffice of ScienceNational Renewable Energy LaboratoryU.S. Department of Energy
Mots-clésCarbon dioxideElectrochemical reduction of carbon dioxideNegative carbon dioxide emissionCarbon dioxide in Earth's atmosphereRaw materialCarbon-neutral fuelCarbon dioxide removalEnvironmental scienceBio-energy with carbon capture and storageCarbon fibersElectricityProcess engineeringWaste managementChemistryCarbon sequestrationMaterials scienceSyngasCarbon monoxideEngineeringOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

The electrochemical reduction of carbon dioxide is a potential pathway for production of fuels and chemicals that uses atmospheric carbon dioxide as a feedstock. Here, we present an analysis of the potential for carbon dioxide from point sources and via direct air capture to be utilized in electrochemical reduction under different market scenarios. We show that developing a network for production of these products at scale requires capture and utilization of significant portions of the carbon dioxide that is currently emitted from large stationary point sources. Because carbon dioxide point sources are spatially and compositionally variable, their use for carbon dioxide reduction depends on electricity prices, capture cost, and location. If the power sector in the United States is decarbonized, carbon dioxide supply decreases significantly, increasing the importance of utilizing other carbon dioxide streams, and increasing the likelihood that direct air capture plays a role in supplying carbon dioxide feedstocks.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,284

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,240
Écart entre enseignants0,229 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueiScienceMême sujetCO2 Reduction Techniques and CatalystsTravaux en français237 207