Methane Emissions Quantification and Resulting Methane Emissions Reduction in the Permian Basin Enabled by Automated Unmanned Systems
Notice bibliographique
Résumé
Summary Traditional methods for monitoring emissions from production operations have typically used optical gas imaging cameras or Method 21 systems, based on an intermittent basis to determine and document methane gas leaks, which are then subsequently identified for repair under the US Code of Federal Regulations (2017). These optical gas imaging emissions monitoring surveys can have a subjective bias, are highly conditional on the skill of the camera operator, and are an inexact method of measuring the quantity of the leak rate. With a renewed industry emphasis on methane emissions measurement and reduction, this paper describes a case study using a high-sensitivity sensor technology (laser absorption spectrometry) specifically targeting methane emissions, the unique capabilities engendered by its deployment on unmanned aerial systems (UAS), the leveraging of automation in field-operation and data analysis, and the system’s successful utilizationin enabling emissions limitations over several production sites in the Permian Basin. The use of automation enabled categorization of the leak type and intensity, and triage according to leak rate, facilitating prompt remedial action and directly limiting emissions. By automating the comprehensive flight paths specific to equipment groups (e.g., compressors, tanks, and flares), targeted repeat surveys confirmed that specific leaks were fixed, emphasizing a general downward trend in overall site- and asset-level emissions. These surveys were completed in 22.5 minutes, on average, at each of the five sites. Additionally, the use of high-resolution UAS-generated orthomosaic maps enabled the direct placement of emissions data into the context of the operations at the time of the survey, facilitating the generation of automated actionable reports, helping direct repair teams, and resulting in effective and necessary fixes. Furthermore, the campaign validated that following the set up of the initial survey, subsequent regular, repeat surveys could be commissioned at the “push of a button,” yielding reliable, actionable emissions data, with a direct impact on both environmental (6% reduction in emissions) and financial impact.
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 | 0,000 | 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) | 0,001 | 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 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 ».