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 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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».