An assessment of the long-term water, greenhouse gas, and cost impacts of low-carbon in situ oil sands technologies
Notice bibliographique
Résumé
The oil sands sector is a significant emitter of greenhouse gases, accounting for 11.3 % of Canada’s greenhouse gas emissions. In the next 30 years, bitumen production is expected to increase by 1.2 million cubic meters per year, representing a 42 % increase from the 2020 production level; therefore, advancing low-carbon oil sands extraction technologies is critical. While many strategies to mitigate greenhouse gas emissions from the oil sands sector have been proposed, there are few assessments of associated water-use impacts. To fill this knowledge gap, this research builds on a novel data-intensive and technology-specific model of the in situ bitumen extraction sector in Canada developed to determine the long-term water and greenhouse gas footprints of the penetration of emerging low-carbon oil sands recovery technologies. The market penetration of seven novel low-carbon and three conventional in situ bitumen extraction techniques through four different technology mix scenarios between 2020 and 2050 were considered. The results show maximum water savings and GHG abatement potential in 2050 of 7 % and 17 %, respectively, at a $59/cubic meter water savings cost and a $32/tonne carbon dioxide equivalent greenhouse gas abatement cost in a high carbon tax scenario. Total water consumption and greenhouse gas emissions are projected to reach 43.8 million cubic meters and 49.9 million tonnes in 2050 under the scenario that best reduces water use and emissions. Although freshwater use from in situ recovery is 0.05 % of the Athabasca River flow, projected annual emissions from the oil sands industry are significant, thus further efforts are needed to meet Canada’s net-zero emissions target by 2050.
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 ».