A Bayesian technique for quantifying methane emissions using vehicle-mounted sensors with a Gaussian plume model
Notice bibliographique
Résumé
Understanding the uncertainties associated with methane emission estimates is crucial for prioritizing leak repair interventions, enforcing environmental regulations, and modeling climate change. This paper presents a model-based Bayesian approach for describing the uncertainties associated with methane emissions estimates derived from vehicle-based concentration measurements, combined with the Gaussian plume dispersion model (GPM) and anemometry data. The approach begins by deriving a probability density function (pdf) that defines the likelihood of measuring a given release rate conditional on the true release rate. The width of the likelihood pdf is dominated by the GPM model error, which is explored using computational fluid dynamics simulations. The likelihood pdf is combined with a prior pdf that encodes what is known about the emission before the measurement to yield the posterior pdf, which comprehensively defines what is known about the release rate based on measurements and prior information. The technique is assessed by comparing releases inferred from single plume transects with ground truth emission rates, and it is found that the 90% creditability interval contains the true release rate approximately 90% of the time. The Bayesian approach can also be used to optimize measurement paths and/or consider the limitations of these technologies with respect to atmospheric conditions. • Methane emission estimates must be considered in the context of uncertainty. • Uncertainty estimates may be derived empirically or through a model-based approach. • Bayesian inference can be used to incorporate prior information and model error. • Model error for the Gaussian plume model is derived from CFD. • Technique demonstrated on controlled releases measured with a truck-mounted TDLAS sensor.
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 | 0,000 |
| 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) | 0,001 | 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 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 ».