Unlocking Investment Confidence in First-Of-A-Kind (FOAK) Geothermal Projects Through Advanced Scenario Modeling
Notice bibliographique
Résumé
Abstract As the world pivots to net-zero targets, geothermal energy is poised to deliver scalable, zero-emission baseload power—but unlocking funding for first-of-a-kind (FOAK) geothermal projects remains a major barrier. This paper presents a breakthrough approach: an integrated scenario-based modeling framework that replaces static, error-prone Excel models with a dynamic simulation platform that merges engineering, financial, and risk analysis in real time. Using this approach, investors can evaluate multiple geothermal investment cases under uncertainty—factoring in technical complexity, market volatility, carbon incentives, and emissions penalties. The platform enables side-by-side comparisons of geothermal versus fossil fuel power economics, while identifying financial tipping points, system failure risks, and optimization opportunities across project lifecycles. Key outcomes include: Real-time sensitivity analysis of capital costs, drilling success, and policy changesNPV and IRR evaluation across a wide range of thermal resource grades and plant typesDynamic project valuation under different incentive structures (e.g. IRA, carbon credits)Clear visualization of economic upside and downside scenarios to build investor confidence This methodology bridges the gap between complex geothermal engineering and the financial clarity required to secure capital on a scale. By adapting proven digital oil & gas tools for geothermal finance, this framework provides a replicable model to accelerate FOAK project deployment and scale climate-positive investments globally. To finance the geothermal revolution, we must rethink how we model it.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».