MétaCan
Menu
Retour à la cohorte
Enregistrement W589839138

Consumptive Water Use in Bioethanol and Petroleum Gasoline Pathways

2010· article· en· W589839138 sur OpenAlexaboutno aff
May Wu, Marianne Mintz, Michael Wang, Salil Arora

Notice bibliographique

RevueTransportation Research Board 89th Annual MeetingTransportation Research Board · 2010
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWater-Energy-Food Nexus Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGasolineBiofuelEnvironmental sciencePetroleumWater useCellulosic ethanolWaste managementPetroleum productFossil fuelEngineeringChemistryCelluloseAgronomy
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Energy production requires substantial water input. Biofuel feedstocks like corn, switchgrass, and agricultural residues need water for growth and conversion to bioethanol. Likewise, petroleum feedstocks like crude oil and oil sands require large volumes of water for drilling, extraction and conversion into refined products. Water management has become a key feature of existing projects and a potential issue in new ones. This paper examines the growing issue of water use in energy production by characterizing current consumptive water use in liquid fuel production. “Consumptive water use” is defined as the sum total of process water input less water output that is recycled and reused for the process. The estimate applies to surface and groundwater sources but does not include precipitation. Water requirements are evaluated for five fuel pathways: bioethanol from corn, bioethanol from cellulosic feedstocks, gasoline from Canadian oil sands, gasoline from Saudi Arabian crude oil, and gasoline from conventional crude oil produced from U.S. onshore wells. Regional variations and historic trends are noted, as are opportunities to reduce water use.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,273
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,004
Communication savante0,0000,002
Science ouverte0,0010,000
Intégrité de la recherche0,0000,003
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,062
Tête enseignante GPT0,328
Écart entre enseignants0,266 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTransportation Research Board 89th Annual MeetingTransportation Research BoardMême sujetWater-Energy-Food Nexus StudiesTravaux en français237 207