Decarbonization of gas transmission pipelines via hydrogen blending: A Techno-Environmental case study approach
Notice bibliographique
Résumé
This study presents a novel and validated optimization framework to evaluate the performance and techno-environmental and economic impacts of hydrogen blending in steady-state natural gas transmission pipelines. The model investigates hydrogen injection (0 %, 10 %, 20 % and 100 %) and its influence on key parameters, including flow behavior, compressor fuel consumption, pressure limits, emissions, and energy return on investment (EROI). Using a genetic algorithm (GA) implemented in MATLAB, the framework is applied to both generalized cases and a real commercial system, the Coastal GasLink pipeline in Canada. Hydrogen addition significantly alters system behavior, increasing maximum operating pressure from 6.9 to 8.2 MPa and raising compressor fuel use from 2.98 % (100 % NG) to 21.4 % (100 % H 2 ) over an 800 km pipeline. Validation against multiple benchmark studies shows < 1.5 % deviation, confirming model reliability. The study introduces a cost and emission trade-off analysis using a marginal abatement cost curve to assess compressor station electrification strategies. Full electrification reduces emissions by 1.51 MtCO 2 /year but increases operating costs. However, under Canadian incentive structures, the cost of abatement decreases substantially, making large-scale emission reduction economically viable. The analysis also highlights a sharp decline in EROI from 33.56 (100 % NG) to 4.67 (100 % H 2 ), underscoring the need for efficiency-focused infrastructure design. A forward-looking hybrid energy system is proposed, integrating renewables, battery storage, and electrolyzers to enable on-site green hydrogen production and electrified compression. This framework supports infrastructure planning aligned with national decarbonization goals for 2030 and beyond.
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 ».