Co-Injection EOR Technology Increases Recovery and Reduces GHG Emissions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Oil demand continues to rise and is not projected to peak until at least 2030, according to the International Energy Agency, or possibly even later as per OPEC. Despite this, many publicly listed oil companies have announced aggressive emissions reduction targets. For instance, Canadian companies Cenovus and CNRL have committed to achieving net zero by 2050. Cenovus aims for a 35% absolute reduction of GHGs by 2035, and CNRL targets a significant reduction from oil sands operations by 2030. CEOs often cite the challenge of generating acceptable returns on emissions reduction projects as a major barrier to decarbonization, as reported by the Boston Consulting Group in 2023. Abatement technologies such as Carbon Capture, Usage, and Storage (CCUS) require substantial investment and are unlikely to yield positive returns for several years. Furthermore, they are expected to remain relatively small in scale and impact in the near to mid-term future, according to the World Economic Forum in 2023. The traditional and conventional method of heavy oil extraction in Alberta and Saskatchewan has been marked by inefficiencies, primarily due to low recovery rates that leave upwards of 90% of the resource untapped. The process is characterized by high emissions and significant capital investment, rendering the development of smaller deposits economically unfeasible. Heavy oil production typically necessitates a substantial upfront capital investment in large, permanent central facilities, leading to a planning horizon of five to ten years for the optimization of a steam plant and production installation. Additionally, securing regulatory approvals for land disturbance and water supply requires considerable time and effort.
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.
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 découle