Integrating the Benefits of Turquoise Hydrogen to Decarbonise High-Emission Industry
Notice bibliographique
Résumé
Total indirect greenhouse gas (GHG) emissions from oil and gas operations today are around 5,200 Mt of carbon dioxide equivalent (CO2-eq) yearly, 15% of total energy sector GHG emissions. Most of these emissions occur due to natural gas leaks. Methane, a much more potent GHG than CO2, is the most significant single component of natural gas and, therefore, of these emissions. Part of these emissions results from routine operations such as flaring and venting, representing both an economic and an environmental issue. Many solutions have been developed to recover and use this natural gas instead of venting and flaring it. Three possibilities were simulated with AVEVA PRO/II, and a preliminary economic assessment was carried out with Guthrie's method. 30 kmol/hr of natural gas fed was assumed, according to average site data, therefore, small-scale plants are suitable. A first solution based on compression, though requiring high OPEX (> 280 k$/y), produces very low emissions yearly (1,140 t CO2-eq/y). Another possibility is to couple flaring to a microturbine for energy generation, but this solution is both uneconomical and has a high environmental impact (> 10,000 t CO2-eq/y). The last technology analysed is thermal methane pyrolysis. This possibility, often disregarded in environmental studies, involves the production of turquoise hydrogen and carbon black. Although characterised by high capital costs (almost 3 M$), it can reduce gaseous emissions since it stores the carbon part of hydrocarbons in the solid matrix that is formed.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».