The performance of solvent-based direct air capture across geospatial and temporal climate regimes
Notice bibliographique
Résumé
Introduction Liquid-solvent direct air capture (DAC) is a prominent approach for carbon dioxide removal but knowing where to site these systems is challenging because it requires considering a multitude of interrelated geospatial factors. Two of the most pressing factors are: (1) how should DAC be powered to provide the greatest net removal of CO 2 and (2) how does weather impact its performance?. Methods To investigate these questions, this study develops a process-level model of a liquid-solvent DAC system and couples it to a 20-year dataset of temperature and humidity conditions at a ~9km resolution across the contiguous US. Results and discussion We find that the amount of CO 2 sequestered could be 30% to 50% greater than the amount of CO 2 removed from the atmosphere if natural gas is burned on site to power DAC, but that the optimal way to power DAC is independent of capture rate (i.e., weather), depending solely on the upstream GHG intensity of electricity and natural gas. Regardless of how it is powered, air temperature and humidity conditions can change the performance of DAC by up to ~3x and can also vary substantially across weather years. Across the continuous US, we find that southern states (e.g., Gulf Coast) are preferrable locations for a variety of reasons, including higher and less variable air temperature and relative humidity. Lastly, we also find the performance of liquid-solvent DAC calculated with monthly means is within 2% of the estimated performance calculated with hourly data for more than a third of the country, including in the states with weather most favorable for liquid-solvent DAC.
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 ».