MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016934788
■00520240214101654
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380414159
■035    ▼a(MiAaPQ)AAI30634673
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a660
■1001  ▼aO'Neill,  Eric  Guy.
■24510▼aIntegrated  Spatially  Explicit  Optimization  and  Analysis  of  Cellulosic  Bioenergy  Landscapes  and  Supply  Chains▼h[electronic  resource]
■260    ▼a[S.l.]:▼bPrinceton  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(202  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Maravelias,  Christos  T.
■5021  ▼aThesis  (Ph.D.)--Princeton  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aA  meaningful  scale  renewable  energy  transition  is  not  possible  without  large-scale  efficiently  designed  and  operated  supply  chains  (SC).  Unlike  traditional  manufacturing,  renewable  energy  SCs  are  highly  distributed  spatially  and  temporally,  but  advanced  modeling  techniques  can  capture  important  system  characteristics.  This  dissertation  focuses  on  cellulosic  biofuels.  Because  cellulosic  feedstocks  have  yet  to  be  planted  and  biorefineries  have  yet  to  be  constructed,  mathematical  programming  models  can  help  to  simultaneously  optimize  the  strategic  design  and  tactical  operation  of  both  the  landscape  and  the  SC.  Landscape  design,  deciding  where  to  plant  bioenergy  crops  and  how  manage  them  (e.g.  fertilization),  has  been  shown  to  improve  the  environmental  impact  of  biomass  production  (including  soil  carbon  sequestration),  but  is  studied  largely  separately  from  biofuel  SC  design.  The  novelty  of  this  work  is  threefold.  First,  this  work  presents  a  stochastic  mixed-integer  programming  model  for  cellulosic  biofuel  SCs  and  discusses  insights  into  landscape  and  SC  interactions  that  can  improve  system-wide  economic  and  environmental  performance.  The  stochastic  solutions  that  are  found  outperform  deterministic  solutions,  accounting  for  biomass  yield  uncertainty  by  planting  more  biomass  than  needed  to  meet  biofuel  demand,  hedging  against  years  with  poor  yields,  and  smoothing  out  variations  in  system  cost.  Second,  model  extensions  enable  the  study  of  larger-scale  systems  considering  carbon  capture  and  storage,  and  analysis  provides  insight  into  interactions  between  the  landscape  and  optimal  technology  portfolios  at  biorefineries,  showing  that  the  valuation  of  greenhouse  gas  (GHG)  emissions,  biofuel  demand,  and  distribution  of  bioenergy  lands  influence  which  technologies  are  installed  at  certain  locations.  Finally,  analysis  of  the  definitions  used  to  identify  bioenergy  lands  in  a  SC  context  shows  soil  carbon  sequestration  plays  a  critical  role  when  siting  biorefineries  and  biomass  using  field-scale  landscape  design.  Furthermore,  land  quality,  quantity,  and  distribution  interact  with  GHG  mitigation  targets,  dictating  the  limits  of  the  bioenergy  landscape;  however  despite  these  limitations,  significant  GHG  mitigation  is  possible  for  only  a  small  increase  in  costs.  The  data  processing  strategies,  mathematical  programming  models,  and  analyses  of  high-resolution  large  scale  systems  may  provide  decision  makers  with  a  better  understanding  of  cellulosic  biofuel  SC  and  landscape  interactions,  leading  to  systems  with  attractive  environmental  and  economic  performance.
■590    ▼aSchool  code:  0181.
■650  4▼aChemical  engineering.
■650  4▼aAlternative  energy.
■650  4▼aBiochemistry.
■653    ▼aBiofuels
■653    ▼aMarginal  land
■653    ▼aSupply  chain  optimization
■690    ▼a0542
■690    ▼a0487
■690    ▼a0363
■71020▼aPrinceton  University▼bChemical  and  Biological  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0181
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934788▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books