Accelerate Large-Scale Biomass Residue Utilization via Cofiring to Help China Achieve Its 2030 Carbon-Peaking Goals
Notice bibliographique
Résumé
Cofiring biomass with coal for power generation is an affordable and ready-to-deploy technology to help reduce carbon emissions and resolve residual biomass. Cofiring has not been widely applied in China primarily because of some practical limitations, i.e., biomass accessibility, technological and economic constraints, and lack of policy support. We identified the benefits of cofiring with consideration of these practical limitations based on Integrated Assessment Models. We found that China produces 1.82 Bts/year of biomass residues, 45% of which is waste. 48% of the unused biomass can be utilized without fiscal intervention and 70% can be utilized with the subsidized Feed-in-Tariffs for biopower and carbon trading. The average Marginal Abatement Cost of cofiring is twice that of China's current carbon price. Cofiring can help China create 153 billion yuan of farmers' income annually and reduce 5.3 Bts of Committed Cumulative Carbon Emissions (CCCEs, 2023-2030), contributing to the needed CCCE mitigations to China's overall sector and the power sector by 32 and 86%, respectively. About 201 GW of coal-fired fleets are not compliant with China's 2030 carbon-peaking goals, and 127 GW can be saved by implementing cofiring, representing 9.6% of the total fleets in 2030.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».