Determining the carbon intensity value of renewable diesel in the Canadian market according to the Clean Fuel Regulations
Notice bibliographique
Résumé
Canada is committed to achieving net-zero emissions by 2050, which requires a total of 40 % reduction in emissions. The transport sector is responsible for 24 % of Canada’s total greenhouse gas emissions, making it the largest source of emissions in the country. To achieve the emission reductions, Canada published the Clean Fuel Regulations in 2022, with an aim to reduce the carbon intensity of fuels by 15 % by 2030. The theory part of this thesis introduces the Clean Fuel Regulations, and what is required from the perspective of a low carbon intensity fuel producer. The aim of this thesis is to provide a calculation model and determine the carbon intensity of renewable diesel, and this is done in the calculation part of this thesis. The calculations are done according to the Fuel LCA Model Methodology developed by Environment and Climate Change Canada, using the OpenLCA software. \n \nThe carbon intensity calculations are done for an imaginary biofuel plant that uses soybean oil and animal fat as feedstocks to produce renewable diesel, sustainable aviation fuel, renewable naphtha and renewable propane. The carbon intensity of renewable diesel produced from animal fat is 29,3 gCO₂ₑ/MJ and 31,3 gCO₂ₑ/MJ when produced from soybean oil. Compared to other regulations, such as the Low Carbon Fuel Standard of California and the EU’s Renewable Energy Directive, the carbon intensity of renewable diesel produced from soybean oil is significantly lower. Renewable diesel produced from animal fat placed itself between other regulations’ carbon intensities.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».