Assessing Best Practices in Natural Gas Production and Emerging CO<sub>2</sub> Capture Techniques to Minimize the Carbon Footprint of Electricity Generation
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Natural gas (NG) is expected to provide a substantial portion of electricity generation in many jurisdictions for the foreseeable future. Postcombustion carbon capture and storage (CCS) effectively abates direct CO 2 emissions; however, indirect NG supply chain emissions in most jurisdictions are incompatible with climate change mitigation goals. This life cycle assessment evaluates specific opportunities to reduce the carbon footprint of combined cycle gas turbine (CCGT) generation with CCS using existing low-emission NG production practices, technologies, and processes combined with emerging CCS techniques to achieve high CO 2 capture rates and mitigate startup emissions. We find baseload life cycle greenhouse gas (GHG) emission intensity ranges from 22 to 62 kgCO 2 e/MWh for 95–98.5% CO 2 capture, within the range of published estimates for wind and photovoltaic power and considerably below prior estimates of CCGT with CCS. Low-emission NG production practices reduce other environmental impacts, which are dominated by combustion-related air pollution. We also show how interim solvent storage can effectively mitigate emissions from CCGT start/stop cycles. This work highlights the importance of mitigating both CO 2 and methane emissions from NG supply chains and proposes a more nuanced discussion regarding the potential contribution of NG to the future energy supply. A surrogate model is provided to estimate life cycle GHG emissions for CCGT with CCS and user-input parameters.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».