Multi-criteria decision analysis for evaluating carbon capture technologies in power plants
Notice bibliographique
Résumé
Power plants are among the largest contributors to CO 2 emissions, making carbon capture and conversion into valuable products a key strategy to combat climate change and foster a circular economy . However, selecting the optimal CO 2 capture technology is complex due to the wide range of options — such as pre-combustion, post-combustion, and oxy-fuel combustion — and the various technical, economic, environmental, and social factors involved. This study identifies the most promising CO 2 capture technologies for three power plant types: Natural Gas Combined Cycle (NGCC), lignite , and coal. By applying Multi-Criteria Decision Analysis (MCDA), which integrates a systematic literature review with the Analytical Hierarchy Process (AHP) and Technique for Order Preference by Similarity to Ideal Solution (TOPSIS), the study ranks existing technologies. For NGCC plants , post-combustion calcium looping emerged as the top choice, with a relative closeness score of 0.790, due to its moderate CO 2 avoidance cost (€33.80/tCO 2 ), high efficiency (48.31%), and mature Technology Readiness Level (TRL) of 7. In lignite plants, post-combustion chemical absorption with MDEA ranked highest, achieving a relative closeness of 0.865 and a TRL of 9. For coal plants, pre-combustion using the Selexol process combined with Mn-based chemical looping was most promising, with a relative closeness of 0.829, low CO 2 avoidance cost (€19.94/tCO 2 ), and a net efficiency of 37.13%. These findings underscore the importance of balancing economic performance and technological maturity when selecting CO 2 capture technologies.
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 | 0,016 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,010 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».