Scenario assessment of introducing carbon utilization and carbon removal technologies considering future technological transition based on renewable energy and direct air capture
Notice bibliographique
Résumé
Carbon capture and utilization (CCU) and carbon dioxide removal (CDR) technologies have the potential to significantly contribute to GHG reduction. Numerous studies have evaluated the CO2 reduction effects and economics of CCUs and CDRs; however, uncertainties in these evaluations due to various regional characterizations and future technological transitions are of high importance. In this study, four synthetic fuels (fuels produced from captured CO2 and H2), methanol, methane, gasoline, and diesel, were evaluated by life cycle assessment (LCA) and techno-economic assessment (TEA). Five representative countries with different regional characteristics were selected for the study. A bottom-up integrated LCA/TEA approach was used, involving detailed process simulations to avoid uncertainties and to evaluate future technological transitions based on direct air capture (DAC) and renewable energy. The overarching objective of this study was to provide a transparent framework with a common dataset generation methodology to determine the countries that have the advantages/disadvantages in synthetic fuel production and sale, considering the local operational parameters and large-scale introduction of DAC/renewable energy. Such multiple synthetic fuel analyses across various jurisdictions have not been conducted in previous studies. The results showed that the highest and lowest CO2 reductions were achieved by diesel (average 6.33 kg-CO2·kg−1) and methanol (average 3.43 kg-CO2·kg−1), respectively, whereas the highest and lowest product costs were of gasoline (average 2.96 USD·kg−1) and methanol (average 0.82 USD·kg−1), respectively. The technological transition using DAC and renewable energy showed average CO2 emission reductions of 47% (methanol), 99% (methane), 545% (gasoline), and 621% (diesel). Moreover, in the future, the lowest CO2 emission reduction costs are expected in Germany for methanol and diesel, Australia for methane, and Canada for gasoline. These findings can contribute to improving international collaboration to promote CCU and CDR 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 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) | 0,000 | 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 ».