Estimation and Applications of Uncertainty in Methane Emissions Quantification Technologies: A Bayesian Approach
Notice bibliographique
Résumé
An accurate understanding of uncertainty is needed to properly interpret methane emission estimates from upstream oil and gas sources in a variety of contexts, from component-level measurements to yearly jurisdiction-wide inventories. To characterize measurement uncertainty, we examine controlled release (CR) data from five different technology providers including quantitative gas imaging (QOGI), tunable diode laser-absorption spectroscopy (TDLAS); and airborne near-infrared hyperspectral (NIR HS) imaging. We introduce a novel empirical method to develop probability distributions of measurements given a true emission rate using the CR data. The approach includes flexible likelihoods which capture complex relationships in the data. An algorithm which provides the distribution of the true emission rate given a measurement is also developed, which synthesizes the measurement with the CR data and external information about the possible true emission rate. The results show that flexible models that accommodate complex nonlinear behavior are needed to adequately model measurement error. We also show that measurement error can vary under different conditions. We demonstrate that measurement uncertainty can be reduced by performing repeated measurements. A limitation of the study is that the collected CR data is collected under controlled conditions that may differ from those in industrial settings. As new CR data become available, the models presented in this paper can be refit to consider more diverse scenarios. The methodology can be extended to explicitly model different conditions to improve performance.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 ».