Life Cycle Greenhouse Gas Emissions of Renewable Jet Fuels Produced in Canada
Notice bibliographique
Résumé
Modern technology has enabled the transformation of renewable biomass and waste into renewable energy for the sectors of our society that use fossil fuels the most. This thesis contributes to knowledge on renewable jet fuels (RJF) and their potential greenhouse gas (GHG) emissions reduction benefits for the aviation sector from a Canadian context. The first part of this thesis quantifies the life cycle GHG emissions of ethanol produced using corn stover, an agricultural residue. Wide ranging results of 7.9 to 45 gCO2e MJ-1 were initially determined from two fuel life cycle assessment (LCA) tools that modelled corn stover ethanol. Harmonization of model parameters and assumptions in the two LCA tools led to similar estimates of 41 – 42 gCO2e MJ-1 although these values obscured substantial differences in GHG emissions at the individual contributor level, which can impact the fuel’s performance under different regulatory regimes. Next, the thesis conducted an LCA on RJF derived from corn stover or ethanol from corn stover. The LCA modelled Ontario and Québec RJF production using these regions’ corn production data. The study determined life cycle GHG emissions of 3.5 – 5.3 gCO2e MJ-1 for the Fischer-Tropsch jet fuel pathway while the ethanol-to-jet fuel pathway resulted in 28 – 36 gCO2e MJ-1 due to greater inputs in the ethanol production process. Québec benefitted from its low carbon intensity electricity but corn stover yields in Ontario were identified as advantageous. The last two parts of the thesis assessed the life cycle GHG emissions of RJF from canola, camelina, and carinata oilseeds. Respectively, GHG emissions from each oilseed-to-RJF are 16 – 58 gCO2e MJ-1, 53 – 72 gCO2e MJ-1, and 43 – 52 gCO2e MJ-1. Canola RJF values varied due to soil carbon effects from land use and land management changes. The range of results for camelina and carinata RJF are due to using input data from many sources and differences in modelling assumptions. A scenario maximizing camelina or carinata RJF production using Canadian marginal lands is estimated to reduce GHG emissions in aviation by up to 2 million tonnes of CO2e emissions per year in 2050.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».