基于智能体的多模态 CO₂ 碳捕集、利用与封存运输建模：CCUS-Agent
摘要
为理解碳捕集、利用与封存（Carbon Capture, Utilization, and Storage, 简称 CCUS）中各实体之间的系统级交互，本文开发了一种基于智能体的基础建模工具——CCUS-Agent，用于对美国大规模运输流程和基础设施进行研究。该工具的关键特征包括：（i）模块化设计，（ii）多种运输模式，（iii）可扩展性，以及（iv）对不同规模系统组件和网络的测试能力。探索了五种 CO₂ 供应智能体（如电厂和工业设施）与需求智能体（如储存和利用场所）之间的匹配算法：最高年收益优先（Most Profitable First Year, MPFY）、全年最高收益优先（Most Profitable All Years, MPAY）、首年最短总距离优先（Shortest Total Distance First Year, SDFY）、全年最短总距离优先（Shortest Total Distance All Years, SDAY）以及全年长途运输距离最短（Shortest distance to long-haul transport All Years, ACAY）。在进行匹配之前，需确保供应智能体、需求智能体和路径均可用，并且匹配关系具有盈利性。所谓盈利匹配，指供应智能体从 45Q 税收抵免中获得的收益部分能够覆盖供应智能体的成本及所有运输成本，而需求智能体的收益部分则需覆盖所有需求智能体的成本。本文采用案例研究，涉及美国陆地连通区域超过 5,500 个供应与需求智能体及多模态 CCUS 运输基础设施。研究结果表明：在 2025 年至 2043 年间，可捕获超过 90 亿吨 CO₂；若降低 40% 的捕集成本，捕获规模将显著提升至 22 亿吨。MPFY 与 SDFY 算法在时间轴的早期捕获更多 CO₂，而 MPAY 与 SDAY 算法则在后期捕获更多 CO₂。
引用
@article{arxiv.2411.14438,
title = {Agent-Based Modeling for Multimodal Transportation of $CO_2$ for Carbon Capture, Utilization, and Storage: CCUS-Agent},
author = {Majbah Uddin and Robin Clark and Michael Hilliard and Joshua Thompson and Matthew Langholtz and Erin Webb},
journal= {arXiv preprint arXiv:2411.14438},
year = {2024}
}