MétaCan
Menu
Retour à la cohorte
Enregistrement W4392852633 · doi:10.1016/j.heliyon.2024.e27791

A techno-economic analysis of diesel exhaust injection into mine tailings for carbon sequestration

2024· article· en· W4392852633 sur OpenAlexafffund
Durjoy Baidya, Gregory M. Dipple, Seyed Ali Ghoreishi‐Madiseh

Notice bibliographique

RevueHeliyon · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueCO2 Sequestration and Geologic Interactions
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNatural Resources Canada
Mots-clésTailingsDiesel exhaustEnvironmental scienceCarbon sequestrationWaste managementDiesel fuelEngineeringCarbon dioxideChemistryMetallurgyMaterials science

Résumé

récupéré en direct d'OpenAlex

The environmental impact of off-grid mines in remote, cold climates is significantly intensified by their dependence on fossil fuels for power and heating. A promising solution lies in the potential to capture and permanently store carbon within mine tailings, thus allowing the mining industry to take a leading role in carbon removal initiatives and provide sustainable solutions. This study explores energy-optimal design scenarios for flue gas injection into mine waste to capture carbon. The approach involves installing perforated pipes within dry stack tailings. The established reduced-order model in this research serves as a novel tool for decision-making, aiding in the selection of an appropriate perforation scheme for the injection pipes embedded in the tailings. A cost analysis is also performed to assess the financial viability of the proposed concept under different operating parameters. Operational expenses, particularly energy costs, are found to be influenced by the permeability of the tailings. In instances of lower permeabilities, larger injection pipes are required. The findings indicate that achieving viable operating costs for sequestering one tonne of carbon dioxide hinges on amenable pipe sizing and engineering. Additionally, the study estimates that maintaining a reasonable level (around 1%) between the power being decarbonized and the power required for the carbon sequestration operation is crucial.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,013
Tête enseignante GPT0,280
Écart entre enseignants0,267 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations4
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHeliyonMême sujetCO2 Sequestration and Geologic InteractionsTravaux en français237 207