The Efficacy of Methane Leak Detection and Repair (LDAR) Programs in Practice
Notice bibliographique
Résumé
Periodic leak detection and repair (LDAR) surveys are a key part of most modern oil and gas sector methane regulations, however their effectiveness in real-world practice has been difficult to assess. This study analyzes three years of reported data from regulated LDAR surveys in British Columbia, Canada, which suggest that 3×/year optical gas imaging (OGI)-based LDAR surveys reduce detected emissions by half at fully compliant sites. However, independent source-resolved aerial surveys at an identical subset of sites find 12 times more methane emissions overall, and four times more emissions after conservatively excluding potential combustion-related and intentional vent sources not targeted by OGI LDAR surveys. This demonstrates that regulated OGI-based LDAR surveys only capture a small portion of total emissions in practice, raising concerns about overestimated mitigation impacts and potentially misguided expectations when assessing alternative technologies. Further analysis reveals the two methods find complementary subsets of sources, with aerial detections comprising a range of larger combustion, vent, and fugitive sources and LDAR detections dominated by numerous smaller leaks from connectors and valves. This underscores the importance of integrating complementary measurement approaches to capture the full distribution of emissions and the necessity of independent verification frameworks such as OGMP 2.0.
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 ».