MétaCan
Menu
Retour à la cohorte
Enregistrement W4386419932 · doi:10.3390/en16176385

From Lab to Fab: Development and Deployment of Direct Air Capture of CO2

2023· article· en· W4386419932 sur OpenAlexafffund
Vahid Barahimi, Monica Ho, Eric Croiset

Notice bibliographique

RevueEnergies · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueCarbon Dioxide Capture Technologies
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesEnvironment CanadaEnvironment and Climate Change Canada
Mots-clésSoftware deploymentScalabilityIncentiveProcess engineeringEfficient energy useComputer scienceEnvironmental economicsEnvironmental scienceEngineeringElectrical engineering

Résumé

récupéré en direct d'OpenAlex

Direct Air Capture (DAC) is a promising technology to fight climate change by capturing carbon dioxide (CO2) from the air. For DAC to be a negative emissions technology, the captured CO2 must be removed permanently, but can also be used as a net-zero technology to produce sustainable chemicals, fuels or other materials. This review presents a comprehensive survey of recent advancements, challenges, and potential applications of DAC technology, with an emphasis on the recent rapid increase in the number of DAC developers, the majority of them being founded in the past 4 years. Through pilot projects and recent commercial deployments, several DAC companies have made significant advances and demonstrated their scalability. Cost and energy efficiency remain significant impediments to the wide deployment of DAC. Integration with emission-free energy sources and utilization of waste heat are being researched to boost the total energy efficiency of DAC systems. Further research of electrochemical technologies for regeneration or direct capture are needed, as well as the development of new, modified, or hybrid adsorbents for improved capture efficiencies. Moreover, favorable regulations and financial incentives are crucial for enhancing the viability of DAC projects and will need to substantially increase if Paris Agreement goals are to be achieved.

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 enseignants0,457
Score d'incertitude au seuil0,413

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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 Opus0,008
Tête enseignante GPT0,199
Écart entre enseignants0,190 · 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

Citations21
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergiesMême sujetCarbon Dioxide Capture TechnologiesTravaux en français237 207