Competitive assessment of biofuel strategies for a case study in eastern Canada: techno‐economic and multi‐criteria decision‐making analysis
Notice bibliographique
Résumé
Abstract Decarbonizing the energy sector through biomass use entails risks and uncertainties linked to implementing early stage technologies. To address this issue, this work presents a panel‐based multicriteria decision‐making (MCDM) framework for a corn‐ethanol plant seeking to reduce its carbon footprint while investing in new bioenergy products. Six technology pathways were considered including gasification technologies, pyrolysis, hydrothermal liquefaction, and alcohol to jet, with products such as renewable natural gas (RNG), biochar, green diesel, green marine, and biojet. The alternatives were assessed based on a set of six criteria classified into three categories: economic performance, technology and commercial risks, and competitive advantages. The MCDM framework was based on the multiattribute utility theory (MAUT) for which an in‐person panel of decision‐making stakeholders set the criteria weights. Internal rate of return (IRR) was considered the most important criterion, followed by technology readiness level (TRL) and total installed capital cost (TICC). Surprisingly, the commercial readiness level was allocated a low weight. Finally, the potential for a fossil‐free site (PFFS) criterion was perceived by the panel members more as a desirable attribute rather than a requirement. Among the alternatives considered, the flexible production of synthetic natural gas (FlexSNG) gasification‐methanation process was found to be preferred. The panel‐based MCDM framework proved to be a practical and effective tool for assessing early‐stage biofuel strategies, encouraging alignment with technological innovation, sustainable development, and the company's values and future ambitions.
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 ».