Post-combustion CO2 capture retrofit from diesel-powered Arctic mines – Techno-economic and environmental assessment
Notice bibliographique
Résumé
• Diesel reliance escalates Arctic mine site CO 2 capture cost. • Carbon capture can reduce Arctic mining's carbon footprint. • Carbon pricing alone isn't enough to incentivize energy-intensive carbon capture. • Reduced carbon tax exposure results in substantial annual costs increase. • Cost driven by solvent regeneration heat demand. This study evaluates the economic feasibility and environmental impacts of retrofitting a diesel-based powerhouse in the Canadian Arctic with a post-combustion carbon capture process at an active gold mining site isolated from cheaper or cleaner electrical grids. A techno-economic analysis was conducted to determine the total annualized cost ( TAC ) of implementing a monoethanolamine (MEA) chemical absorption process to mitigate carbon dioxide emissions. The calculated cost per tonne of CO 2 captured of $420 reflects the challenges of operating northern sites reliant on diesel fuel. Electricity generation costs, estimated at 0.44 $/kWh, are found to explain most of the variance in cost per tonne compared to other studies. A profitability model, comparing the additional annual expenditure to the current carbon tax exposure ( CTE ), suggests that carbon pricing alone is insufficient to incentivize investment in energy-intensive carbon capture technologies such as amine-based absorption processes. The sensitivity analysis, which evaluates profitability relative to variations in key variables, highlights the significant impact of the solvent regeneration heat demand. This major cost driver also contributes substantially to the carbon footprint of 0.55 tonnes emitted per tonne captured, as determined by a complementary life cycle assessment.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».