Assessing the Application of Drone TDLAS Methane Emissions Monitoring Technology in the Intertropical Convergence Zone Using Machine
Notice bibliographique
Résumé
Abstract Global energy stakeholders are increasingly becoming more committed to global methane reduction and emissions transparency. These organizations have global reach and production processes which can pose unique problems for consistent measurement and verification techniques. To help provide more consistent measurements across the globe, this study evaluates the efficacy of a drone-mounted TDLAS sensor for use in the Inter-tropical Convergence Zone (ITCZ), an area of the world plagued with dampened windspeeds often less than 2 m s-1. This environment makes accurate measurements of point source emission rates challenging for advanced emissions monitoring technologies which is a substantial roadblock in the implementation of OGMP 2.0 best practices for Level 5 emissions monitoring. We simulated errors in mass-balance derived methane emission rates by utilizing a Gaussian plume model and drone flight paths with a vertical raster pattern at a 10Hz sensor sampling frequency. The Gaussian plume model allows for simple theoretical equations as a function of plume rise, downwind distance from the source, plume dispersion, and altitude-dependent wind velocity to be explicitly accounted for to understand sensitivity from errors in each of these terms. We conducted a Monte Carlo simulation and explored uncertainty across all sources. Finally, we built a machine learning (ML) random forest (RF) classifier to predict survey success based on prevailing conditions and survey design parameters to offer a comprehensive approach to assessing and mitigating uncertainties in methane emission measurements. We find that survey settings need to be carefully considered along with plume effects to provide accurate measurements in the field. To illustrate, we show a case study with two flights, both surveying flares but with different flight settings, to achieve the desired error < 30%. Our case study showed that mid-range wind speeds can achieve high survey success with lower resolution surveys (i.e., faster flight velocity and larger vertical step) whereas low-range wind speeds require higher resolution for best results (i.e., lower flight velocity and lower vertical step).
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».