Data Mining and Unsupervised Machine Learning in Canadian In Situ Oil Sands Database for Knowledge Discovery and Carbon Cost Analysis
Notice bibliographique
Résumé
A better understanding of greenhouse gas (GHG) emissions resulting from oil sands (bitumen) extraction can help to meet global oil demands, identify potential mitigation measures, and design effective carbon policies. While several studies have attempted to model GHG emissions from oil sands extractions, these studies have encountered data availability challenges, particularly with respect to actual fuel use data, and have thus struggled to accurately quantify GHG emissions. In this study, we extracted operating data from a public database—Petrinex—containing over 35 million records for 20 in situ oil sands extraction schemes. From 2015 to 2019, the weighted averages of fuel use for schemes employing steam-assisted gravity drainage (SAGD) and cyclic steam stimulation (CSS) were 0.21 103m3 fuel to produce 1 m3 bitumen (0.24 103m3/m3) and 0.34 103m3 fuel to produce 1 m3 bitumen (0.34 103m3/m3), respectively. The weighted average emission intensity (EI) for SAGD was 0.39 t CO2e/m3 undiluted bitumen (62 kg CO2e/bbl), and the weighted average EI for CSS was 0.65 t CO2e/m3 undiluted bitumen (103 kg CO2e/bbl). At a carbon price of CAD $30/t CO2e and an undiluted bitumen price of CAD $326/m3 (USD $39/bbl), the average carbon cost accounted for 2% ($ t CO2e/$ m3 undiluted bitumen). A single emission cap for the entire in situ oil sands sector is not appropriate because carbon costs range significantly. To prevent carbon leakage due to competitiveness migration, facility-specific or recovery method-specific emission caps should be considered when designing carbon pricing programs. A single intensity-based emissions cap was ineffective in reducing emissions. The annual average emission intensity for the 20 in situ oil sands operations decreaed by 15%. The absolute emissions, however, increased by 120%. The combination of an intensity-based emissions cap and an absolute emissions cap should be considered as a means of bending the emissions curve.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,009 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».