Comparing Continuous Methane Monitoring Technologies for High-Volume Emissions: A Single-Blind Controlled Release Study
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Methane emissions from oil and gas operations are a primary concern for climate change mitigation. While traditional methane detection relies on periodic surveys that yield episodic data, continuous monitoring solutions promise to offer consistent insights and a richer understanding of emission inventories. Despite this promise, the detection and quantification abilities of continuous monitoring solutions remain unclear. To address this uncertainty, our study comprehensively assessed 8 commercial continuous monitoring solutions using controlled release tests to simulate high-volume venting (e.g., uncontrolled tanks, pneumatics, and unlit flares), which accounts for a significant fraction of total emissions from oil and gas systems. The performance of each team varied: when comparing reported results on a second-by-second basis, all teams reported false positive rates below 10%. For true positive rates, 4 out of 8 systems exceed 80%. In the field test where continuous monitoring solutions identified and reported an emission event, all systems’ reliability of identification surpassed 70%. When systems reported that there was no emission event, the reliability of nonemission identification varied from 29.4% to 96.2%. Among 5 systems tested for quantifying the daily average emission rate released by the Stanford team, all were underestimated by an average of 74.38% emissions. This indicates that their application in emissions reporting or regulation may be premature. The variability in monitor performance underscores the importance of understanding systems’ strengths and limitations before their broader adoption in methane mitigation approaches or regulatory frameworks.
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 ».