Large-scale long-distance land-based hydrogen transportation systems: A comparative techno-economic and greenhouse gas emission assessment
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
Interest in hydrogen as an energy carrier is growing as countries look to reduce greenhouse gas (GHG) emissions in hard-to-abate sectors. Previous works have focused on hydrogen production, well-to-wheel analysis of fuel cell vehicles, and vehicle refuelling costs and emissions. These studies use high-level estimates for the hydrogen transportation systems that lack sufficient granularity for techno-economic and GHG emissions analysis. In this work, we assess and compare the unit costs and emission footprints (direct and indirect) of 32 systems for hydrogen transportation. Process-based models were used to examine the transportation of pure hydrogen (hydrogen pipeline and truck transport of gaseous and liquified hydrogen), hydrogen-natural gas blends (pipeline), ammonia (pipeline), and liquid organic hydrogen carriers (pipeline and rail). We used sensitivity and uncertainty analyses to determine the parameters impacting the cost and emission estimates. At 1000 km, the pure hydrogen pipelines have a levelized cost of $0.66/kg H2 and a GHG footprint of 595 gCO2eq/kg H2. At 1000 km, ammonia, liquid organic hydrogen carrier, and truck transport scenarios are more than twice as expensive as pure hydrogen pipeline and hythane, and more than 1.5 times as expensive at 3000 km. The GHG emission footprints of pure hydrogen pipeline transport and ammonia transport are comparable, whereas all other transport systems are more than twice as high. These results may be informative for government agencies developing policies around clean hydrogen internationally.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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