Blog

Dec 23, 2023

Umwelthandel

Band Nature Communications

Nature Communications Band 13, Artikelnummer: 3635 (2022) Diesen Artikel zitieren

14.000 Zugriffe

14 Zitate

306 Altmetrisch

Details zu den Metriken

Direct Air Capture (DAC) ist für das Erreichen strenger Klimaziele von entscheidender Bedeutung, die Umweltauswirkungen seines großflächigen Einsatzes wurden in diesem Zusammenhang jedoch nicht bewertet. Bei der Durchführung einer prospektiven Lebenszyklusanalyse für zwei vielversprechende Technologien in einer Reihe von Szenarien zur Eindämmung des Klimawandels stellen wir fest, dass sowohl die Dekarbonisierung des Stromsektors als auch Verbesserungen der DAC-Technologie unverzichtbar sind, um eine Verlagerung von Umweltproblemen zu vermeiden. Die Dekarbonisierung des Stromsektors verbessert die Sequestrierungseffizienz, erhöht aber auch die terrestrische Ökotoxizität und den Metallabbau pro Tonne CO2, die über DAC gebunden wird. Diese Steigerungen können durch Verbesserungen des DAC-Materials und der Energieeffizienz verringert werden. DAC weist regionale Unterschiede in den Umweltauswirkungen auf und unterstreicht die Bedeutung einer intelligenten Standortwahl im Zusammenhang mit der Planung und Integration von Energiesystemen. Der Einsatz von DAC trägt zur Erreichung langfristiger Klimaziele bei, seine Umwelt- und Klimaleistung hängt jedoch von sektoralen Minderungsmaßnahmen ab und sollte daher nicht zu einer Lockerung der sektoralen Dekarbonisierungsziele führen.

Die vom Zwischenstaatlichen Ausschuss für Klimaänderungen (IPCC)1 verwendeten Klimaschutzszenarien deuten darauf hin, dass eine rasche Dekarbonisierung der energie- und materialbezogenen Dienstleistungen wahrscheinlich nicht ausreicht, um den globalen Durchschnittstemperaturanstieg bis zum Ende des 21. Jahrhunderts deutlich unter 2 °C zu halten . Das verbleibende globale Kohlenstoffbudget von 420–1170 Gigatonnen (Gt) CO2 dürfte bei den derzeitigen jährlichen Emissionsraten und den prognostizierten Nationally Determined Contributions (NDCs)2 in 10–30 Jahren erschöpft sein. Die meisten IPCC-Emissionsszenarien überschreiten zunächst das Kohlenstoffbudget und entfernen dann überschüssigen Kohlenstoff mithilfe von CDR-Technologien (Carbon Dioxide Removal), d Gt CO2 bis zum Jahr 21002.

CDR-Strategien umfassen die Verbesserung natürlicher ober- und unterirdischer Kohlenstoffsenken in Pflanzen, Gesteinsformationen und Böden sowie skalierbare technische Lösungen zur Sequestrierung, Speicherung oder Nutzung von konzentriertem atmosphärischem CO2. Obwohl sich Direct Air Capture (DAC) noch in einem frühen Entwicklungsstadium befindet, erhält es zunehmend Aufmerksamkeit und wird als vielversprechende Strategie zur Eindämmung des Klimawandels anerkannt1. Angesichts der homogenen atmosphärischen CO2-Konzentration auf der ganzen Welt können DAC-Anlagen an Standorten eingesetzt werden, die reichlich günstige und CO2-freie Energie liefern und/oder die sich in der Nähe von Pipeline-Infrastrukturen, unterirdischen Speichern oder Nutzungsmöglichkeiten befinden, um die CO2-Transportkosten zu senken3. Außerdem wird erwartet, dass DAC im Vergleich zu Bioenergie mit Kohlenstoffabscheidung und -speicherung (BECCS), einer alternativen CDR-Technologie, die strenge Minderungsziele4 ermöglicht, einen deutlich geringeren Fußabdruck bei der Wasser- und Landnutzung haben wird5, was Bedenken hinsichtlich der Ernährungssicherheit und des Verlusts der biologischen Vielfalt verringert6.

Direct Air Carbon Capture and Storage (DACCS) nutzt chemische oder physikalische Prozesse, um CO2 aus der Umgebungsluft zu trennen und es dauerhaft in geologischen Speicherstätten zu binden. Aufgrund der stark verdünnten Natur des atmosphärischen CO2 (derzeit etwa 415 Teile pro Million) erfordern DACCS-Technologien einen erheblichen Energie- und Materialeinsatz, sodass ihr zukünftiger Einsatz und ihre Rolle bei der Eindämmung des Klimawandels stark von der Prozessgestaltung und den daraus resultierenden technoökonomischen und ökologischen Leistungen abhängen3 . Zwei Arten von Technologien gelten derzeit aus technoökonomischer Sicht als vielversprechend: DACCS auf Lösungsmittelbasis, die typischerweise auf wässrigen Hydroxidlösungen (Kaliumhydroxid, Natriumhydroxid) zur CO2-Abscheidung basieren, und DACCS auf Sorptionsmittelbasis, meist unter Verwendung von Aminen Materialien, die an eine Vielzahl poröser fester Träger gebunden sind11,12,13,14. Lösungsmittelbasierte DACCS erfordern spezielle Hochtemperaturwärme (900 °C) für die CO2-Regeneration10. Aus thermodynamischer Sicht beschränken sich die Möglichkeiten der Wärmebereitstellung daher weitgehend auf die Verbrennung energiereicher Brennstoffe wie (erneuerbares) Erdgas oder (erneuerbarer) Wasserstoff, während Ansätze zur elektrischen Widerstandsheizung und elektrochemischen Regeneration in der Entwicklung sind. Sorptionsmittelbasierte DACCS können mit Niedertemperaturwärme (80–120 °C) zur CO2-Regeneration arbeiten15 und bieten so eine größere Auswahl an Optionen für die thermische Energieversorgung (z. B. Wärmepumpe, Geothermie und industrielle Abwärme).

In immer mehr Studien wurde DACCS in IAM-Szenarien (Integrated Assessment Modeling) einbezogen. Sie unterstreichen die entscheidende Rolle von DACCS bei der Erreichung strenger Klimaziele, zeigen aber auch die Kompromisse beim Einsatz von DACCS auf, der einerseits die Minderungskosten senken und den Wettbewerb um Landnutzung entspannen könnte. Andererseits könnte der Einsatz und Betrieb von DACCS in großem Maßstab auch große Mengen zusätzlicher Energie erfordern16,17,18,19. Je nach Modellierungsansatz und Szenario prognostizieren diese Studien, dass die DACCS-Einsatzmengen zur Erreichung eines 2 °C- oder strengeren Klimaziels bis 2100 bis zu 40 Gt jährliche CO2-Sequestrierung erreichen können16,17,18,20. In diesem Maßstab könnte DACCS (unter der Annahme eines lösungsmittelbasierten Prozesses) bis zum Jahr 2100 bis zu 12 % bzw. 60 % der weltweiten elektrischen und nichtelektrischen Energie verbrauchen17,21. Offensichtlich hängt die Umweltleistung von DACCS-Anlagen, die an Stromnetze angeschlossen sind, vom Stromsystemkontext ab, in dem sie betrieben werden. Frühere Studien haben gezeigt, dass DACCS negative Emissionen erzielen kann, die Abscheidungseffizienz hängt jedoch von der Betriebseffizienz und der Energiequelle ab22,23,24,25. Eine kürzlich durchgeführte Lebenszyklusanalyse (LCA) von DACCS-Technologien identifizierte auch mögliche ökologische Kompromisse bei der zunehmenden Landumwandlung, wenn DACCS mit Solarstrom betrieben wird (im Vergleich zur Verwendung von Netzstrom)26. Diese Studien gehen jedoch davon aus, dass DACCS entweder durch eine bestimmte Erzeugungstechnologie oder statische Elektrizitätssysteme angetrieben wird. Daher geben sie weder Aufschluss darüber, wie sich die Umweltauswirkungen von DACCS bei Energiesystemübergängen nach strengen Minderungsszenarien ändern könnten1, noch quantifizieren sie die potenziellen umfassenderen Umweltkompromisse von Energiesystemübergängen mit und ohne DACCS-Einsatz in solchen Szenarien bis zum Jahr 2100. Auch diese Studien berücksichtigen nicht vollständig die langfristigen potenziellen technologischen Verbesserungen von DACCS, von denen erwartet wird, dass sie die Umweltauswirkungen von Technologien beeinflussen, indem sie ihren physischen Material- und Energieeinsatz verändern27,28,29.

Hier berechnen wir eine prospektive Ökobilanz von DACCS unter Klimaschutzszenarien, die vom IMAGE 3.2 Integrated Assessment Model30,31 entwickelt wurden und mit den Klimazielen des Pariser Abkommens im Einklang stehen. IMAGE 3.2 wurde verwendet, um die zukünftige Energieversorgung, -umwandlung und -nachfrage bis zum Jahr 2100 in 26 globalen Regionen zu projizieren, basierend auf den demografischen, wirtschaftlichen, technologischen und verhaltensbezogenen Narrativen der Shared Socioeconomic Pathways (SSPs)32,33. Diese Studie nutzt den „Middle of the Road“-Pfad (SSP2), der von zukünftigen Entwicklungen im Einklang mit historischen Mustern ausgeht. Dies wird dann mit den durch die Representative Concentration Pathways (RCPs)34 definierten Klimazielen verknüpft, um die erforderlichen Kohlenstoffpreise zu bestimmen, die zu Veränderungen im Energiesystem führen, die mit der Erreichung spezifischer Klimaziele vereinbar sind. Wir verwenden drei unterschiedliche Szenarien: Ein SSP2-Basisszenario ohne jegliche Klimapolitik und Maßnahmen zur Begrenzung des Strahlungsantriebs oder zur Verbesserung der Anpassungsfähigkeit (SSP2-Basisszenario). Eine SSP2-Basislinie, verbunden mit strengen Bemühungen zur Eindämmung des Klimawandels, um die globale Erwärmung bis zum Jahr 2100 auf weniger als 1,5 °C, d -RCP1.9 mit DACCS). Schließlich ein kontrafaktisches Modell, das demselben sozioökonomischen Ziel und Klimaschutzziel folgt, aber DACCS nicht als CDR-Option vorsieht (SSP2-RCP1.9 ohne DACCS).

In einer Ökobilanzstudie können sich die technologischen Veränderungen sowohl in Hintergrund- als auch in Vordergrundsystemen auf die Umweltauswirkungen des untersuchten Objekts auswirken. Das Vordergrundsystem besteht aus Prozessen, die in direktem Zusammenhang mit dem Objekt stehen, während das Hintergrundsystem die vor- oder nachgelagerten Prozesse in der Lieferkette umfasst, die indirekt mit dem Objekt in Zusammenhang stehen35,36. Hier passen wir ein Open-Source-LCA-Framework37,38 an, um strombezogene Daten in der Hintergrund-LCI-Datenbank mithilfe regional und zeitlich expliziter IMAGE-Projektionen (zu Strommix, Erzeugungseffizienz und strombedingten Emissionen) von 2020 bis 2100 zu ändern drei Szenarien. Die regionalen Auswirkungen werden für die Vereinigten Staaten (USA) differenziert und mit China, Russland, Westeuropa und einem globalen Durchschnitt verglichen. Änderungen des Vordergrundmaterial- und Energieeintrags der beiden Technologien (lösungsmittel- und sorbensbasierte DACCS) im gleichen Zeitraum werden auf der Grundlage der IMAGE-Projektion des globalen DACCS-Einsatzes unter Verwendung eines Ein-Faktor-Lernkurvenansatzes geschätzt. Wir gehen daher von einem Betrieb im kommerziellen Maßstab und Technologieverbesserungen durch Learning-by-doing aus. Um die Unsicherheit im Zusammenhang mit den spezifischen zukünftigen Lernraten zu erfassen, wenden wir im Rahmen einer Sensitivitätsanalyse unterschiedliche Raten an. Es werden auch zwei Arten von Wärmeversorgungsoptionen für lösungsmittelbasierte (Erdgas oder Biomethan) und sorbensbasierte DACCS (Biomethan oder Wärmepumpe) berücksichtigt, um zu verstehen, wie sich Wärmequellen auf ihre Umweltprofile auswirken. Darüber hinaus quantifizieren wir auch die Auswirkungen des DACCS-Einsatzes auf Änderungen der Stromnetzlasten, Netzmixe und damit verbundene Verschiebungen der Umweltauswirkungen, indem wir das strikte Minderungsszenario (SSP2-RCP1.9) mit und ohne DACCS als CDR-Option vergleichen.

In dieser Arbeit stellen wir fest, dass die Dekarbonisierung des Stromsektors die Sequestrierungseffizienz verbessert, aber auch die terrestrische Ökotoxizität und den Metallabbau pro über DACCS sequestrierte Tonne CO2 erhöht. Diese Steigerungen können jedoch durch eine Verbesserung der Material- und Energienutzungseffizienz von DACCS verringert werden Unter Technologielernen wird darauf hingewiesen, dass sowohl die Dekarbonisierung des Stromsektors als auch Verbesserungen der DACCS-Technologie unabdingbar sind, um eine Verlagerung von Umweltproblemen zu vermeiden. DACCS weist regionale Unterschiede in den Umweltauswirkungen auf und unterstreicht die Bedeutung einer intelligenten Standortwahl im Zusammenhang mit der Planung und Integration von Energiesystemen. Der Einsatz von DACCS trägt zur Erreichung langfristiger Klimaziele bei, seine Umwelt- und Klimaleistungen hängen jedoch von sektoralen Minderungsmaßnahmen ab, und sein Einsatz sollte nicht zu einer Lockerung der sektoralen Dekarbonisierungsziele führen.

DACCS erreicht bis 2020 über alle untersuchten Technologien und Wärmequellen hinweg negative Netto-Treibhausgasemissionen (THG) pro metrischer Tonne (1 Tonne) atmosphärischem CO2, das in einem US-Kontext eingefangen und geologisch gebunden wird. Die Netto-Sequestrierungseffizienz variiert je nach DACCS-Technologie und Wärmequelle (Abb . 1a) mit Auswirkungen des Klimawandels auf den Lebenszyklus im Bereich von −0,36 bis −0,94 t CO2-Äquivalent für einen Basisnetzmix im Jahr 2020 (Abb. 1a). Netto-THG-negativ bedeutet, dass die DACCS-Technologien im Laufe des Lebenszyklus der Anlagen weniger Treibhausgasemissionen freisetzen, als sie einfangen und geologisch binden (von der Wiege bis zur Bahre). Der Einfluss verschiedener Hintergrundkontexte des Elektrizitätssystems lässt sich anhand eines Vergleichs der Ergebnisse für die SSP2-Basislinie mit denen der SSP2-RCP1.9-w/DACS-Szenarien erkennen. Im SSP2-Basisszenario reduziert das US-Stromsystem den Anteil der Kohleerzeugung von 31 % im Jahr 2020 auf 7 % im Jahr 2100, während der kombinierte Anteil der Kernenergie und erneuerbaren Energien im gleichen Zeitraum von 35 auf 61 % steigt (Abb. 2a). ). Dadurch werden die Auswirkungen von DACCS auf den Klimawandel bis zum Jahr 2100 weiter auf −0,72 bis −1,12 t CO2-Äquivalent reduziert. Die höchste Sequestrierungseffizienz wird durch lösungsmittelbasierte DACCS erreicht, die Biomethan als Wärmequelle nutzen (SV + BM). Da der Prozess das bei der Wärmeerzeugung freigesetzte CO2 sammelt und bindet, führt die Verwendung von Biomethan, einem nicht fossilen, belastungsfreien CO2-Brennstoff, zu einem negativen CO2-Emissionsprofil, das über die 1 Tonne gebundenes atmosphärisches CO2 hinausgeht.

Zu den Wirkungskategorien gehören (a) Auswirkungen des Klimawandels, (b) Auswirkungen auf die menschliche Toxizität, (c) Auswirkungen auf die Eutrophierung von Süßwasser, (d) Auswirkungen auf die Ökotoxizität von Süßwasser, (e) Auswirkungen auf die terrestrische Versauerung, (f) Auswirkungen auf die terrestrische Ökotoxizität, (g) Metallabbau , (h) Wassermangel. Es werden vier DACCS- und Wärmequellenkombinationen berücksichtigt, darunter DACCS auf Lösungsmittelbasis mit Biomethan (SV + BM), DACCS auf Lösungsmittelbasis mit Erdgas (SV + NG), DACCS auf Sorptionsmittelbasis mit Biomethan (SB + BM) und DACCS auf Sorptionsmittelbasis DACCS mit Wärmepumpe (SB + HP). In jedem Panel zeigt das Liniendiagramm (linke Seite jedes Panels) den Verlauf der Umweltauswirkungen aufgrund der Dekarbonisierung des Stromsektors in zwei Szenarien (ohne technologisches Lernen von DACCS). Eines davon ist das Basisszenario „Shared Socioeconomic Pathways – Middle of the Road Pathways“ (SSP2) (SSP2-Baseline). Das zweite Szenario verbindet den SSP2-Pfad mit dem Representative Concentration Pathway (RCP), der bis zum Jahr 2100 einem Strahlungsantriebsniveau von 1,9 W/m2 (RCP1.9) entspricht und DACCS als CDR-Option ermöglicht (SSP2-RCP1.9 mit DACCS). ). Das Balkendiagramm (rechte Seite jedes Panels) umfasst das technologische Lernen von DACCS und vergleicht somit die Auswirkungen der Hintergrund- und Vordergrundsysteme (alle unter SSP2-RCP1.9 mit DACCS-Szenario) auf die Umweltauswirkungen der vier DACCS-Systeme. Die Balken ohne Farbfüllung (nur mit Grenzfarbe) markieren die prozentualen Änderungen der Auswirkungen im Jahr 2100 relativ zum Niveau von 2020, nur aufgrund der Hintergrunddekarbonisierung des Stromsektors, während die Balken mit Farbfüllung die prozentualen Änderungen der Auswirkungen im Jahr 2100 relativ zum Niveau markieren Das Niveau von 2020 ist sowohl auf die Dekarbonisierung des Stromsektors im Hintergrund als auch auf das Lernen der Vordergrundtechnologie (basierend auf Referenzlernraten) von DACCS zurückzuführen. Die Fehlerbalken (die den Balken mit Farbfüllung zugeordnet sind) stellen die Ergebnisse bei langsamen und schnellen Lernraten dar (Ergänzungstabelle 10).

Die Szenarien umfassen (a) SSP2-Basislinie, (b) SSP2-RCP1.9 ohne DACCS (der SSP2-Pfad ist mit dem RCP1.9-Klimaziel verknüpft, beinhaltet jedoch kein DACCS als CDR-Option), (c) SSP2 -RCP1.9 mit DACCS-Szenarien und (d) die jährlichen CO2-Emissionen des US-Stromsystems unter den drei Szenarien. In den Strommixfeldern (a, b, c) repräsentiert die gestapelte Fläche die Marktanteile des Netzmixes. „Solar“ umfasst sowohl Solar-PV als auch konzentrierte Solarenergie. „Öl“ umfasst sowohl Öl mit als auch ohne Kohlenstoffabscheidung und -speicherung (CCS), da Öl mit CCS weniger als 1 % des Netzmixes ausmacht. Zu den weiteren erneuerbaren Energien zählen Wellen-, Gezeiten- und Geothermieenergie. In (c) zeigt die rote gestrichelte Linie den Prozentsatz der von DACCS verbrauchten jährlichen Stromerzeugung, entsprechend der sekundären y-Achse.

Im Szenario SSP2-RCP1.9 mit DACCS erreicht der US-Stromsektor bis 2035 eine vollständige Dekarbonisierung (Abb. 2d), was im Einklang mit den aktuellen Zielen und einer gesamtwirtschaftlichen Dekarbonisierung bis 2050 steht39. Das Szenario enthält eine frühere Ausstieg aus Kohle und Erdgas (bis 2050) und höhere Durchdringung erneuerbarer Energien (81 %) bis 2100 (Abb. 2c). In diesem Szenario nehmen die Auswirkungen von DACCS auf den Klimawandel vor 2050 schneller ab und erreichen bis zum Jahr 2100 Werte von −0,91 bis −1,25 t CO2-Äquivalent (Abb. 1a).

Die Lebenszyklustoxizität, Süßwassereutrophierung, terrestrische Versauerung und Wasserverarmung von DACCS hängen von den Anteilen der Kohle- und Erdgaserzeugung im Stromnetzmix ab (ergänzende Abbildung 9). Diese Auswirkungen nehmen von 2020 bis 2100 ab und zeigen, dass die Dekarbonisierung des Energiesektors ökologische Vorteile mit sich bringt (Abb. 1b, c, e und h). Dennoch führt die Dekarbonisierung des US-Stromsystems zu ökologischen Kompromissen für DACCS in anderen Wirkungskategorien. Wir finden Anstiege sowohl für die terrestrische Ökotoxizität (um 33–80 % über vier DACCS-Wärmequellen-Kombinationen sowohl für SSP2-Baseline- als auch für SSP2-RCP1.9 mit DACCS-Szenarien) und für die Metallabbauniveaus (um 23–42 % und 40–73). % über vier DACCS-Wärmequellenkombinationen für SSP2-Basisszenario bzw. SSP2-RCP1.9 mit DACCS-Szenario) von 2020 bis 2100 angesichts der wachsenden Beiträge von Solarphotovoltaik (PV) und Windenergieerzeugung im Hintergrundstromsystem (Abb . 2f, g, Ergänzende Abb. 9). Die erhöhte Ökotoxizitätswirkung in Szenarien mit hoher Erzeugung erneuerbarer Energien ist größtenteils auf Emissionen aus der Produktion von Solar-PV-Zellen auf Siliziumbasis und der Kupferverarbeitung zurückzuführen (da Kupfer für die Verkabelung in Solar-PV- und Windkraftanlagen verwendet wird). Der höhere relative Metallbedarf (pro installiertem kW) für den Bau von Solar-PV- und Windparks erhöht auch die Mineralgewinnung. Die Dekarbonisierung des Stroms wirkt sich kaum auf die Süßwasserökotoxizität von DACCS aus, da im Netzmix eine erhöhte Sonnen- und Winddurchdringung (die die Auswirkungen verstärkt) und eine verringerte Kohleerzeugung (die die Auswirkungen verringert) gegenläufig wirkt (Abb. 2d, ergänzende Abb. 9). ).

Die Umweltauswirkungen von DACCS über den gesamten Lebenszyklus werden von der Art der Technologie und der Wärmequelle beeinflusst. Das sorbensbasierte DACCS + Wärmepumpensystem (SB + HP) hat im Jahr 2020 die größten Auswirkungen auf den Klimawandel, da die Wärme aus fossil dominiertem Netzstrom umgewandelt wird, der eine höhere Kohlenstoffintensität aufweist als andere Wärmequellen, aber diese Auswirkungen sind auch so reagiert empfindlicher auf die Dekarbonisierung des Stromsektors und zeigt daher mit der Zeit einen schnelleren Rückgang. Im Szenario SSP2-RCP1.9 mit DACCS werden die Auswirkungen des SB + HP-Systems auf den Klimawandel im Vergleich zu drei anderen Gegenstücken nach 2040 am geringsten. Bei lösungsmittelbasiertem DACCS führt die Verwendung von Biomethan als Wärmequelle zu einem niedrigeren Klima Durch die zusätzliche Bindung von biogenem Kohlenstoff können sich die Auswirkungen nicht so stark verändern wie bei der Nutzung von Erdgas. Daher weist das SV + BM im Vergleich zum lösungsmittelbasierten DACCS-System mit Erdgas (SV + NG) eine geringere Auswirkung auf den Klimawandel im Lebenszyklus auf (Abb. 2a).

Was andere nicht klimatische Kennzahlen anbelangt, weist DACCS auf Sorptionsmittelbasis im Allgemeinen größere Auswirkungen auf die Humantoxizität, die Eutrophierung und Ökotoxizität von Süßwasser sowie den Metallabbau auf, was vor allem auf den höheren Stromverbrauch pro Einheit zurückzuführen ist. Im Gegensatz dazu weist lösungsmittelbasiertes DACCS einen höheren Wasserverbrauch auf (pro 1 t eingefangenem CO2, 3- bis 12-mal mehr als sorbensbasiertes DACCS), da es CO2 mithilfe einer wässrigen Hydroxidlösung einfängt, die während des Betriebs verdampft, während sorbensbasierte DACCS verwendet feste Sorptionsmittel auf Aminbasis, die während der Produktions- und Nutzungsphase viel weniger Wasser verbrauchen. Es wurde auch gezeigt, dass DACCS auf Sorbensbasis aufgrund der Affinität von Aminsorbentien zu Wasser in feuchten Umgebungen sogar Wasser mitproduziert, das als Süßwasser verwendet oder weiter zu Trinkwasser aufbereitet werden kann15. In Bezug auf die Wärmequelle hat lösungsmittelbasiertes DACCS mit Erdgaswärme in allen untersuchten Kategorien im Vergleich zu Biomethan geringere Auswirkungen, mit Ausnahme der terrestrischen Ökotoxizität (höhere Auswirkungen aufgrund der Entsorgung giftiger Bohrabfälle bei der Erdgasproduktion) und der Wasserverarmung (die reagiert empfindlicher auf die Art der Technologie als auf die Wärmequelle. DACCS auf Sorptionsmittelbasis weist bei Verwendung von Biomethan zur Wärmeerzeugung ein geringeres Umweltbelastungsprofil auf. Der einzige Anstieg im Vergleich zur Wärmepumpenwärme ist die terrestrische Versauerung, die hauptsächlich durch die anaerobe Vergärung von Bioabfällen bei der Biomethanproduktion verursacht wird (Abb. 2b–h).

Unsere Ergebnisse zeigen, dass kontinuierliche Verbesserungen durch Learning-by-Doing einige Umweltauswirkungen abmildern können. Im Szenario SSP2-RCP1.9 mit DACCS beginnt das Technologielernen, den Material- und Energieeinsatz nach 2050 zu reduzieren, wenn DACCS weltweit in großem Maßstab eingesetzt wird (Ergänzungstabelle 11). Dennoch sind die Auswirkungen des Klimawandels, der menschlichen Toxizität und der Eutrophierung von Süßwasser hauptsächlich auf den Stromverbrauch zurückzuführen (ergänzende Abbildung 6), und die Dekarbonisierung des Stromsektors verringert diese Auswirkungen (der Stromerzeugung) bis 2050 bereits um mehr als 80 % (im Vergleich zu). 2020-Niveaus) (Ergänzende Abbildung 9). Daher trägt das Lernen der DACCS-Technologie <10 % zu den gesamten Veränderungen (über die 80 Jahre) dieser Auswirkungen bei (Abb. 1a–c). Während die Dekarbonisierung des Stromsektors von 2020 bis 2100 die Süßwasserökotoxizität, die terrestrische Ökotoxizität und den Metallabbau pro über DACCS gebundener Tonne CO2 (leicht) erhöht, haben Verbesserungen der Material- und Energieeffizienz, die durch Lerneffekte hervorgerufen werden, das Potenzial, die Steigerungen insgesamt auszugleichen diese Kategorien. Eine Sensitivitätsanalyse bestätigt den herausragenden Effekt des Lernens bei diesen Auswirkungen. Das Variieren der Lernraten zwischen Unter- und Obergrenzen (Ergänzungstabelle 10) führt zu zusätzlichen Erhöhungen (13–23 %) oder Verringerungen (–10 % bis –13 %) der Gesamtänderungen dieser Auswirkungen, während die Lernraten kaum variieren wirkt sich auf die gesamten Auswirkungen des Klimawandels, der Toxizität für den Menschen und der Eutrophierung von Süßwasser aus. Der Wasserverbrauch von DACCS auf Lösungsmittelbasis zeigt eine höhere Empfindlichkeit gegenüber der Änderung der Lernraten im Vergleich zu DACCS auf Sorbensbasis (Abb. 1h), da der Lösungsmittelverbrauch mehr als 80 % des gesamten Wasserverbrauchs von DACCS auf Lösungsmittelbasis ausmacht ( Ergänzende Abbildung 6). Daher kann die Reduzierung der Wasserverdunstung während des Betriebs eine wichtige Strategie sein, um den Wasserverbrauch von lösungsmittelbasierten DACCS im Lebenszyklus zu verringern.

Die von DACCS bereitgestellte CDR-Fähigkeit wirkt sich auch auf die langfristige Entwicklung des Energiesystems aus. In unseren Prognosen werden Kohlenstoffpreise als Stellvertreter verwendet, um erforderliche Änderungen im Energiesystem zur Emissionsbegrenzung zu fördern. Unter dem strengen Minderungsszenario mit DACCS (SSP2-RCP1.9 mit DACCS) beginnt der Einsatz von DACCS in den USA um 2050, und seine jährliche Betriebskapazität erreicht bis 2100 0,85 Gt CO2/Jahr (Abb. 3), was einem Verbrauch von etwa 5 % entspricht ( 352 TWh) der jährlichen US-Stromerzeugung (Abb. 2c). Die Verfügbarkeit von DACCS fungiert im Wesentlichen als Obergrenze für den langfristigen CO2-Preis und führt dazu, dass Sektoren, die sich nur schwer reduzieren lassen, ihre Emissionen mithilfe von DACCS ausgleichen, anstatt in alternative Technologien (z. B. Elektrifizierung, Verbesserung der Energieeffizienz) zu investieren. Dies führt dazu zu einem Anstieg des Gesamtenergiebedarfs, der teilweise durch den zusätzlichen Verbrauch fossiler Brennstoffe (Erdgas, Öl und Kohle) gedeckt wird (ergänzende Abbildung 7a). Folglich fördern diese schwer zu reduzierenden Sektoren den zusätzlichen CDR-Einsatz, der zunächst durch eine zusätzliche CO2-Sequestrierung aus BECCS gedeckt wird, die nach 2050 zunimmt, was zu einer durchschnittlich 15 % höheren BECCS-Nutzung im Vergleich zum Szenario ohne DACCS führt bis 2080 (Ergänzende Abbildung 8a). Da die DACCS-Kapazität nach 2080 schneller zunimmt und schrittweise den zusätzlichen CDR-Bedarf deckt, stabilisiert sich die jährliche CO2-Sequestrierung aus BECCS bis zum Jahr 2100 bei etwa 1,3 Gt CO2/Jahr, was den Werten im strengen Minderungsszenario ohne DACCS entspricht. Es ist wichtig zu beachten, dass auf globaler Ebene der Bedarf an BECCS im SSP2-RCP1.9-Szenario mit DACCS geringer ist als im SSP2-RCP1.9-Szenario ohne DACCS (ergänzende Abbildung 8a).

Gestapelte Balken zeigen die Veränderung der jährlichen Erzeugung nach Technologie, wenn DACCS im gleichen Minderungsszenario eine Option zur Kohlendioxidentfernung ist. Die rote Linie stellt die Nettodifferenz in der jährlichen Stromerzeugung dar, wobei SSP2-RCP1.9 ohne DACCS vom Szenario mit DACCS abgezogen wird (primäre y-Achse). Die schwarze Linie stellt die jährliche DACCS-Betriebskapazität dar (sekundäre y-Achse).

Der Ausbau von BECCS nach 2050, der bis 2080 mit 420 TWh/Jahr seinen Höhepunkt erreicht und bis 2100 113 TWh/Jahr erreicht, macht sich im US-amerikanischen Erzeugungsmix bemerkbar, wenn man die Unterschiede zwischen den beiden Minderungsszenarien darstellt (Abb. 3). Mit DACCS sehen wir auch, dass im gleichen Zeitraum weniger Strom aus Erdgas mit Kohlenstoffabscheidung und -speicherung (CCS) und Kernkraft erzeugt wird und die jährliche US-Stromerzeugung während der BECCS-Ausbauphase bis 2080 kontinuierlich sinkt (bei −160 TWh/ Jahr oder −2,3 % im Vergleich zum Fall ohne DACCS). Danach verringert der rasche Anstieg der DACCS-Betriebskapazität und der damit verbundene Anstieg der Stromnachfrage die Nachfragelücke zwischen den beiden Szenarien. Bis zum Jahr 2100 werden im Rahmen eines Minderungsszenarios mit DACCS 35 TWh/Jahr zusätzlicher Strom benötigt.

Die Verfügbarkeit von DACCS verändert die jährliche Dekarbonisierungsrate des US-Stromsystems kaum (etwa 6 % in beiden Szenarien, basierend auf den jährlichen Auswirkungen des Klimawandels auf den Lebenszyklus). In beiden strengen Minderungsszenarien erreicht das US-Energiesystem bis 2035 CO2-Neutralität (Abb. 1d), was im Einklang mit dem Dekarbonisierungsziel der aktuellen US-Regierung für den Sektor steht39. Ab 2050 beginnt sich der US-Netzmix mit zunehmendem DACCS-Einsatz zu verändern, was zu Verschiebungen der langfristigen Umweltauswirkungen pro erzeugter kWh führt. Wir stellen einen Rückgang der Auswirkungen des Klimawandels auf bis zu −0,019 kg CO2-Äquivalente/kWh fest, was hauptsächlich auf die zusätzliche Stromerzeugung aus BECCS zurückzuführen ist. Es kommt auch zu einer Verringerung des Wasserverbrauchs und der Auswirkungen auf die menschliche Toxizität pro kWh. Gleichzeitig nehmen die Auswirkungen der US-Stromerzeugung auf mehrere andere Kategorien zu, darunter Süßwassereutrophierung und Ökotoxizität, terrestrische Versauerung und Ökotoxizität sowie Metallabbau (Balken in Abb. 4). Diese Verlagerung des Umweltproblems ist direkt auf die durch DACCS verursachte Änderung des Stromnetzmixes zurückzuführen. Dennoch sind die Veränderungen bei den meisten Wirkungskategorien im Vergleich zu denen, die durch die Dekarbonisierung des Stromsystems insgesamt verursacht werden, nicht erkennbar (Linien in Abb. 4). Ausnahmen bilden der Metallabbau und die terrestrische Ökotoxizität, deren Werte von 2020 bis 2100 aufgrund der Dekarbonisierung des Energiesektors um 123 % bzw. 77 % ansteigen. Der DACCS-Einsatz trägt nach 2050 (durchschnittlich) zusätzlich 10 % zu beiden Wirkungskategorien bei (Abb. 4).

Zu den Wirkungskategorien gehören (a) Auswirkungen des Klimawandels, (b) Auswirkungen auf die menschliche Toxizität, (c) Auswirkungen auf die Eutrophierung von Süßwasser, (d) Auswirkungen auf die Ökotoxizität von Süßwasser, (e) Auswirkungen auf die terrestrische Versauerung, (f) Auswirkungen auf die terrestrische Ökotoxizität, (g) Metallabbau , (h) Wassermangel. Der Balken in jedem Unterdiagramm stellt die absolute Änderung (pro 1 kWh Erzeugung) jeder Auswirkung dar, wobei das SSP2-RCP1.9-Szenario ohne DACCS vom Szenario mit DACCS von 2020 bis 2100 abgezogen wird (primäre y-Achse). Die Linien in jedem Unterdiagramm stellen die relative Veränderung (Prozentsatz) pro Auswirkung im Vergleich zum Referenzniveau von 2020 (sekundäre y-Achse) unter einem RCP1.9-Szenario mit (blau) und ohne DACCS (orange) dar.

Um die US-spezifischen Ergebnisse in einen globalen Kontext zu stellen, berechnen wir die Lebenszyklus-Umweltauswirkungen von DACCS anhand regional expliziter LCI-Daten für die Stromerzeugung in China, Westeuropa und Russland sowie eines globalen Durchschnitts unter einem SSP2-RCP1.9 mit DACCS-Szenario (unter Berücksichtigung des Technologielernens von DACCS). Da die lösungsmittel- und sorbensbasierten DACCS-Systeme üblicherweise mit der thermischen Energieversorgung aus Erdgas (SV + NG) bzw. Wärmepumpen (SB + HP) verbunden sind, wurden diese beiden Konfigurationen als repräsentative Prozesse für einen globalen Vergleich angesehen. Die Ergebnisse zeigen, dass die Auswirkungen der in Russland und China eingesetzten SV- und Erdgassysteme auf den Klimawandel im Jahr 2020 um 12 % bzw. 19 % höher sind als bei demselben System auf Weltebene, da der Stromnetzmix in diesen Regionen von Kohle und Erdgas dominiert wird Erdgas (Abb. 5a, Ergänzende Abb. 2, Ergänzende Abb. 3). Auch für die in diesen beiden Regionen eingesetzten SB- und HP-Systeme ist eine höhere Auswirkung auf den Klimawandel zu beobachten (14 % bzw. 23 % für Russland und China) (Abb. 5b). Beide DACCS-Systeme weisen geringere Auswirkungen auf den Klimawandel auf als im Weltniveau von 2020, wenn sie in den USA (9 % bzw. 10 % weniger für SV + NG- und SB + HP-Systeme) und Westeuropa (29 % bzw. 35 % weniger für SV +) eingesetzt werden NG- und SB + HP-Systeme) angesichts des geringeren CO2-intensiven Stroms der Regionen (Abb. 2, ergänzende Abb. 4). Mit der Zeit nehmen die Auswirkungen von DACCS auf den Klimawandel in allen Regionen ab, ebenso wie die regionalen Unterschiede. Bis zum Jahr 2100 unterscheiden sich die Auswirkungen des Klimawandels kaum noch zwischen den Regionen und dem globalen Durchschnittsniveau, wobei etwas höhere Zahlen für DACCS in Russland beobachtet werden, dessen Strommix weitgehend von Erdgas mit CCS dominiert wird (33 % der Jahreserzeugung) (ergänzende Abbildung 3). In ähnlicher Weise sind abnehmende Trends regionaler Unterschiede bei den Auswirkungen menschlicher Toxizität, Süßwassereutrophierung und terrestrischer Versauerung zu beobachten, die aus einer weltweiten Dekarbonisierung des Stromsektors im Rahmen des Minderungsszenarios resultieren, um die globale mittlere Temperaturänderung bis 2100 auf unter 1,5 °C zu begrenzen. Die Bereiche von Die regionalen Schwankungen bleiben hinsichtlich der Süßwasser- und terrestrischen Ökotoxizität stabil und nehmen im Laufe der Zeit aufgrund des unterschiedlichen Anteils erneuerbarer Energien und der Netzmixprofile in den Regionen zu, was den Metallabbau angeht. Der Wasserverbrauch von SB + HP-Systemen hängt stärker vom regionalen Stromsystemkontext ab als der von SV + NG-Systemen. Somit können SB + HP-Systeme bis zum Jahr 2100 ihren bereits geringeren Wasserbedarf mit immer saubererem Strom noch weiter reduzieren (Abb. 5).

Auswirkungen von (a) lösungsmittelbasierten DACCS unter Verwendung von Erdgas (SV + NG) und (b) sorbensbasierten DACCS unter Verwendung von durch Wärmepumpen erzeugter Wärme (SB + HP) in vier Regionen und auf der ganzen Welt unter einem SSP2-RCP1.9 w/ DACCS-Szenario (unter Berücksichtigung des Technologielernens von DACCS mit den Referenzlernraten). Pro Wirkungskategorie ist die Referenz (100 % im Jahr 2020) die Weltebene. Die Ergebnisse anderer Region-Jahr-Kombinationen werden als relative Änderung zur Referenz angezeigt. Diese Auswirkungen wurden auf der Grundlage der Erfassung und Speicherung von 1 Tonne atmosphärischem CO2 durch DACCS berechnet. Da der negative Nettolebenszyklus der Technologien, Climate Change Impact (CCI) (in Abb. 1), zu einem positiven Anstieg der Auswirkungen im Vergleich zum Weltniveau von 2020 führen würde, berücksichtigen wir in dieser Abbildung nicht die im CCI gebundene 1 Tonne CO2. Weitere Abkürzungen der Wirkungskategorien (von links nach rechts): HTI Human Toxicity Impact, FEI Freshwater Eutrophication Impact, FTI Freshwater Ecotoxicity Impact, TAI Terrestrial Acidification Impact, TTI Terrestrial Ecotoxicity Impact, MD Metal Depletion, WD Water Depletion.

Da immer mehr IAM-Szenarien DACCS als entscheidende CDR-Technologie zur Erreichung strenger Klimaziele einbeziehen, sollte die Leistung von DACCS im Kontext dieser Ziele bewertet werden, um politische Entscheidungen und den Einsatz von DACCS in der Zukunft besser steuern zu können. Wie unsere Ökobilanz zeigt, kann eine rasche Dekarbonisierung der Strom- und Energienachfragesektoren, die mit dem 1,5 °C-Klimaziel im Einklang steht, die Nettosequestrierungseffizienz von DACCS erhöhen und sein Potenzial zur Eindämmung des Klimawandels fördern, was darauf hindeutet, dass der Einsatz von DACCS und die Dekarbonisierung des Stromsystems wirksam sein sollten Synergieeffekte bei den Bemühungen zur Eindämmung des Klimawandels.

Mehrere DACCS-Technologien können Treibhausgasemissionen ausgleichen und zu langfristigen Klimaschutzbemühungen beitragen, ihre Nettosequestrierungseffizienz und ganzheitliche Umweltleistung hängen jedoch eng mit dem Energiesystem zusammen, in dem sie eingesetzt werden. Die bloße Umstellung auf kohlenstoffarme Energiequellen für den Betrieb der DACCS-Anlage könnte zu Umweltkompromissen führen. Diese Ergebnisse stehen im Einklang mit anderen DACCS-LCA-Studien22,24,26. Wir stellen fest, dass DACCS auf Lösungsmittelbasis in fünf der acht hier untersuchten Wirkungskategorien (Klimawandel, Toxizität für den Menschen, Eutrophierung von Süßwasser, Ökotoxizität von Süßwasser und Metallabbau) im Allgemeinen geringere Auswirkungen hat als DACCS auf Sorptionsmittelbasis. Dies steht im Widerspruch zu den Schlussfolgerungen einer anderen Studie, die besagt, dass DACCS auf Sorbensbasis für die darin berücksichtigten Wirkungskategorien (im Referenzfall) geringere Umweltauswirkungen hat40. Diese Unterschiede scheinen mit den optimistischen Annahmen der Studie zum Strom- (180 kWh/t CO2) und Wärmeverbrauch (2,6 GJ/t CO2) für sorbensbasierte DACCS (im Referenzfall) zusammenzuhängen. Dies ist weniger als die Hälfte der Werte, die in mehreren anderen Studien24,26,41 und den hier verwendeten ermittelt wurden (470–700 kWh/t CO2 für Strom und 5,4–5,8 GJ/t CO2 für Wärme). Außerdem wurde in der Studie davon ausgegangen, dass DACCS in British Columbia, Kanada, mit Netzstrom betrieben wird, wo die Wasserkraft dominiert (72 % des Netzmixes ausmacht42) und in den meisten Wirkungskategorien niedrige Emissionen aufweist. Daher wurden die Umweltauswirkungen (z. B. Klimawandel, Abbau fossiler Brennstoffe) von DACCS auf Lösungsmittelbasis hauptsächlich durch andere Faktoren wie einen höheren Wärmeverbrauch verursacht. Darüber hinaus ignorierte die Studie die typische Prozesskonfiguration für lösungsmittelbasierte DACCS, bei der das bei der thermischen Energieerzeugung10 freigesetzte CO2 ebenfalls aufgefangen und sequestriert wird, wodurch die Auswirkungen dieser Technologie auf den Klimawandel künstlich verstärkt und ihre potenzielle Sequestrierungseffizienz unterschätzt wird. Die Vernachlässigung dieses gezielt integrierten Prozessschritts verändert nicht nur die Technologiebewertung, sondern führt auch zu einer Unterschätzung des Speicherkapazitätsbedarfs und der damit verbundenen Inputs für regionale Planungs- und Integrationsbemühungen. Lösungsmittelbasierte DACCS erfordern etwa 30 % zusätzliche Speicherkapazität (basierend auf 0,05 kg CO2/MJ43, dem CO2-Emissionsfaktor der Erdgasverbrennung) pro Tonne gebundenem CO2 im Vergleich zu DACCS auf Sorptionsmittelbasis.

Der Stromverbrauch trägt wesentlich zur terrestrischen Ökotoxizität und zum Metallabbau von DACCS bei, die in unseren Szenarien hauptsächlich durch die Sonnen- und Winddurchdringung im Hintergrundstromsystem bestimmt werden. Da die Dekarbonisierung des Elektrizitätssystems mit der Ausweitung der Erzeugungs- und Speicherkapazitäten für erneuerbare Energien voranschreitet, sind daher zusätzliche Anstrengungen erforderlich, um einen nachhaltigen Abbau, eine nachhaltige Herstellung und den Ausbau der Kreislaufwirtschaft der in diesen Technologien verwendeten Energiematerialien zu ermöglichen, wodurch diese Auswirkungen verringert werden.

Richtlinien zum Kohlenstoffmanagement sollten Forschungs- und Entwicklungsbemühungen berücksichtigen, um die Prozess- und Materialeffizienz von DACCS und kohlenstoffarmen Energieerzeugungstechnologien zu verbessern. DACCS-Technologien haben bereits sehr hohe Wiederverwendungsraten von Lösungsmitteln und Sorptionsmitteln erreicht10,24, aber unsere Ergebnisse zeigen, dass Technologielernen das Ausmaß der Ökotoxizität, Metallverarmung und Wasserverarmung deutlich reduziert (nur DACCS auf Lösungsmittelbasis), was ihre wichtige Rolle bei der Vermeidung von Potenzial unterstreicht Umweltproblemverlagerung des DACCS-Einsatzes im Rahmen eines Klimaschutzpfads. Während der groß angelegte DACCS-Einsatz die Angebots- und Nachfragedynamik des gesamten Energiesystems beeinflussen wird, ist dieser Effekt im Vergleich zu den Auswirkungen der Dekarbonisierung des Energiesektors vernachlässigbar. Somit ist der Einsatz von DACCS eine Ergänzung zum Ausbau anderer Netto-Null-Emissionstechnologien sowie von BECCS in strengen Klimaschutzszenarien.

Durch die Dekarbonisierung des Elektrizitätssystems werden regionale Unterschiede in den Auswirkungen, wie Klimawandel, menschliche Toxizität, Süßwassereutrophierung und terrestrische Versauerung, die größtenteils auf die fossilbasierte Energieerzeugung zurückzuführen sind, erheblich verringert. Dennoch bleiben bis zum Jahr 2100 im Rahmen unterschiedlicher Strategien für den Einsatz erneuerbarer Energien unterschiedliche Umweltprofile in Bezug auf Ökotoxizität und Metallabbau bestehen. Dies unterstreicht die Notwendigkeit einer intelligenten Standortwahl von DACCS, die in Zukunft eine breite Palette von Umwelt- und sozioökonomischen Kennzahlen einbezieht, um regionale Kompromisse zu bewerten. Aufgrund seines Lastprofils sollte der DACCS-Einsatz auch in die regionale Energiesystemplanung integriert werden, einschließlich netzgekoppelter und netzunabhängiger Standortbewertungen. DACCS könnte beispielsweise gezielt an Standorten mit hohem Potenzial für erneuerbare Energien errichtet werden, an denen Netzverbindungen teuer wären.

Der hier vorgestellte prospektive LCA-Rahmen kann politische Diskussionen über die Priorisierung von Forschung und Entwicklung für neue Technologien beeinflussen, die die Dekarbonisierung des Energiesektors und langfristige Ziele zur Eindämmung des Klimawandels unterstützen. Durch die Einbeziehung regional und zeitlich expliziter Elektrizitätssektorszenarien und Technologieprojektionen für netzgebundene DACCS werden die komplexen nichtlinearen Beziehungen zwischen einer CDR-Technologie und ihren Umweltauswirkungen erfasst, die entweder durch Änderungen im breiteren Energiesystem44,45,46 oder durch dessen Auswirkungen verursacht werden spezifischer Technologiekontext29,47. Zukünftige Fähigkeitserweiterungen dieses Rahmenwerks werden die materielle Zirkularität modellieren und die technologischen Veränderungen in breiteren Energie- und Industriesektoren erfassen.

In dieser Studie passen wir ein LCA-Framework von der Wiege bis zur Bahre an, das zeitlich und regional explizite Umweltauswirkungen von DACCS-Technologien in zukünftigen Stromsystemen bewertet, wie sie in Klimaschutzszenarien projiziert werden37. Der prospektive Rahmen bringt die zeitlichen Dimensionen des Lernens der Vordergrundtechnologie und der Dynamik des Hintergrundsystems in Einklang. Die Lebenszyklusauswirkungen für die jeweiligen DACCS-Technologien werden mithilfe des Python-codierten LCA-Frameworks Brightway248 und Life Cycle Inventory (LCI)-Daten aus der ecoinvent-Datenbank3.642 berechnet. Der (Hintergrund-)Stromsystemkontext wird von TIMER bereitgestellt, dem Energiemodul des IMAGE3.2 Integrated Assessment Model (IAM)31. TIMER entwickelt regional und zeitlich explizite Prognosen für den Strommix, die Erzeugungseffizienz und die mit Strom verbundenen Emissionen. Diese Ergebnisse werden in ein anderes Python-codiertes Framework (Wurst)37 integriert, um die strombezogenen LCI-Daten in der ecoinvent-Datenbank zu aktualisieren. Dies wird dann von Brightway2 verwendet, um die Auswirkungen pro DACCS-Technologie und Zeitschritt zu berechnen. Die Berechnungen werden für 10-Jahres-Zeitschritte von 2020 bis 2100 durchgeführt.

IMAGE 3.2 ist ein IAM-Framework, das entwickelt wurde, um die Beziehungen zwischen Menschen und natürlichen Systemen und die Auswirkungen dieser Beziehungen auf die Bereitstellung von Ökosystemdienstleistungen zur Unterstützung der menschlichen Entwicklung zu beschreiben31. Das Energiemodul von IMAGE 3.2, TIMER, ist ein rekursives dynamisches (d. h. nicht vorausschauendes) Energiesystemmodell, das das globale Energiesystem darstellt, disaggregiert über 26 globale Regionen, mit Prognosen bis 210031. Es umfasst fossile und erneuerbare Primärenergieträger (Kohle). , Schwer-/Leichtöl, Erdgas, moderne/traditionelle Biomasse, Kernkraft, konzentrierte/PV-Solarenergie, Onshore-/Offshore-Windenergie, Wasserkraft und Geothermie). Primärenergieträger können in Sekundär- und Endenergieträger (Feststoffe, Flüssigkeiten, Strom, Wasserstoff, Wärme) umgewandelt werden, um Energiedienstleistungen für verschiedene Endverbrauchssektoren (Schwerindustrie, Verkehr, Wohnen, Dienstleistungen, Chemie und andere) bereitzustellen. Das Modell projiziert den zukünftigen (nutzbaren) Energiebedarf für jeden Endverbrauchssektor (Industrie, Verkehr, Wohnen, Gewerbe, Sonstiges) auf der Grundlage der Beziehungen zwischen Energiedienstleistungen und Aktivität, wobei letztere mit dem Wirtschaftswachstum zusammenhängt. Für jeden Nachfragesektor konkurrieren Sekundärenergieträger (einschließlich fester und flüssiger Biobrennstoffe) auf der Grundlage relativer Kosten miteinander, um den nutzbaren Energiebedarf zu decken. Die Energiesystemdarstellung des IMAGE-Modells berücksichtigt die Nachfrageelastizität bei Kohlenstoffpreisen. Dies wird durch zwei unterschiedliche Mechanismen dargestellt: (i) Investitionen in Energieeffizienz und (ii) verringerte Nachfrage nach Energiedienstleistungen (dh Reduzierung des Verbrauchs und Verzicht auf Aktivitäten und Annehmlichkeiten, die Energie/Emissionen erfordern). Ersteres wird anhand technologischer Optionen dargestellt (z. B. Investitionen in Isolierung, effizientere Technologien usw.) und Letzteres wird anhand ökonometrischer Daten dargestellt. Die Energiepreise basieren auf Angebotskurven der Energieträger49,50. Für nicht erneuerbare Quellen werden diese als kumulative Gewinnung formuliert; Bei erneuerbaren Energieträgern hingegen werden diese in Form der Jahresproduktion formuliert51,52,53.

Brightway2 ist ein Open-Source-Framework für LCA-Berechnungen in Python48. Es besteht aus mehreren Modulen, die den Datenimport, die Verwaltung und den Zugriff auf Daten sowie die Berechnung und Analyse von LCA-Ergebnissen übernehmen. Die Kombination aus modularem Aufbau, der Interaktivität von Python und anpassbaren Berechnungspfaden ermöglicht Flexibilität und benutzerdefinierte Funktionalitäten bei der Durchführung von LCA-Studien und bietet neue Möglichkeiten im Vergleich zu bestehenden LCA-Tools.

Wurst ist ebenfalls eine Python-basierte Software, die die systematische Modifikation von LCI-Datenbanken mit externen Szenariodaten ermöglicht37. Wurst unterstützt mehrere generische Modifikationstypen, einschließlich der Änderung der Materialeffizienz, der Emissionen, der relativen Anteile der Markteingaben und der Aufteilung eines globalen Datensatzes in mehrere Regionen. Die aktuelle Version von Wurst konzentriert sich auf die Modifizierung der ecoinvent LCI-Datenbank mithilfe von IMAGE-Szenariodaten. Ausführlichere Informationen zu den Modifikationsschritten von Wurst werden im Abschnitt „LCI-Datenbankmodifikationen mit Klimaszenariodaten“ besprochen.

Die Prognosen des Basisszenarios „Shared Socioeconomic Pathways – Middle of the Road“ (SSP2-Basisszenario) gehen von keinerlei Klimapolitik aus und fungieren somit als kontrafaktisches Modell, mit dem politische Bemühungen verglichen werden können. Die RCP1.9-Szenarien prognostizieren den erforderlichen Aufwand, um ein Klimaziel zu erreichen, das als Emissionsbudget definiert ist, das mit einem Anstieg der globalen Durchschnittstemperatur um 1,5 °C vereinbar ist. Diese Szenarien umfassen auch die aktuelle Klimapolitik pro Region, wie in den NDCs definiert54. Für die RCP1.9-Szenarien bestimmt das IMAGE-Modell den zusätzlichen Aufwand, der erforderlich ist, um das 1,5 °C-Ziel zu erreichen, dargestellt durch eine Emissionspreisprognose für alle Treibhausgasemissionsquellen (fossile Brennstoffe, Industrie und Landnutzung), die weltweit angewendet wird, was zu a führt kosteneffektiver Minderungspfad. Der Emissionspreis kann Emissionen über zwei Mechanismen reduzieren: (i) Der Anstieg der Gesamtenergiekosten fördert Investitionen in die Energieeffizienz, (ii) indem dieser Preis an den Kohlenstoffgehalt der Primärenergieträger geknüpft wird, und beeinflusst er deren Wettbewerbsfähigkeit bei der Erfüllung der Endenergie Dienstleistungen nachfragen und so sauberere Energieträger fördern. Die Anwendung eines Emissionspreises macht DACCS wettbewerbsfähig, da davon ausgegangen wird, dass gebundener Kohlenstoff vergütet wird, wodurch Kapital- und variable Kosten überwunden werden (die wiederum von den prognostizierten Kosten der Energieversorgung und des technologischen Lernens beeinflusst werden). Wir präsentieren zwei RCP1.9-Varianten (SSP2-RCP1.9 mit DACCS und SSP2-RCP1.9 ohne DACCS), um die Auswirkungen der DACCS-Verfügbarkeit auf Strategien zur Eindämmung des Klimawandels zu bestimmen. Die regionale Kosteneffizienz in DACCS hängt von den Kapital- und Betriebs- und Verwaltungskosten (einschließlich endogener Learning-by-Doing-Reduzierungen), dem Strompreis sowie den CO2-Transport- und Speicherkosten im Zusammenhang mit Speicherpotenzialbeschränkungen ab55. Eine einzelne DACCS-Technologie (mit Technologieparametern und Kostendaten basierend auf einer Anlagenkapazität von 1 Mio. t CO2/Jahr) ist in IMAGE enthalten, dargestellt durch die Zusammenfassung verschiedener lösungsmittelbasierter Technologien, die in früheren Studien zusammengefasst wurden8,56,57, wir gehen jedoch davon aus, dass die Das von IMAGE geschätzte Ergebnis des DACCS-Einsatzes wird den gesamten Einsatz einer breiten Palette von DACCS-Technologien darstellen (einschließlich DACCS auf Lösungsmittel- und Sorbensbasis). In IMAGE wird davon ausgegangen, dass DACCS nicht vor 2030 verfügbar ist und seine globale Wachstumsrate auf 1 GtCO2/Jahr begrenzt ist. Diese Wachstumsratenbegrenzung ist eine verbindliche Einschränkung in der Prognose, sobald DACCS kosteneffektiv wird, während auf lange Sicht die Begrenzung des Speicherpotenzials seine weitere Expansion einschränken könnte. DACCS wird kosteneffizient, wenn die Emissionspreise etwa 300 $/tCO2 übersteigen. Dieser Emissionspreis wird im Jahr 2050 sowohl für SSP2-RCP1.9 mit DACCS als auch für SSP2-RCP1.9 ohne DACCS überschritten. Langfristig begrenzt die Anwendung von DACCS das Wachstum des Emissionspreises, der für SSP2-RCP1.9 mit DACCS bzw. SSP2-RCP1.9 ohne DACCS auf 423 USD/tCO2 bzw. 885 USD/tCO2 2100 geschätzt wird. Durch die Berechnung der Unterschiede in der Stromerzeugung und der damit verbundenen Umweltauswirkungen zwischen den beiden RCP1.9-Varianten können wir auch die Auswirkungen des DACCS-Einsatzes auf die Strom- und Energienachfragesysteme bewerten.

Wir konzentrieren uns auf zwei Arten von DACCS-Technologien: ein lösungsmittelbasiertes und ein sorbensbasiertes DACCS, die auf unterschiedlichen Einfang- und Freisetzungsmechanismen beruhen, um CO2 aus der Atmosphäre zu entfernen.

Lösungsmittelbasiertes DACCS verwendet wässrige Hydroxidlösungen (Kaliumhydroxid, Natriumhydroxid), um atmosphärisches CO2 über eine chemische Reaktion einzufangen7,8,9,10. Hier gehen wir davon aus, dass das lösungsmittelbasierte DACCS Kaliumhydroxidlösung zur CO2-Abscheidung verwendet. In einem Luftkontaktor reagiert die Kaliumhydroxidlösung mit CO2 und bildet Kaliumcarbonat, das dann in einem separaten Reaktor mit Calciumhydroxid reagiert und Calciumcarbonat erzeugt. Das Calciumcarbonat fällt aus und die Kaliumhydroxidlösung kann regeneriert und wieder dem Luftkontaktor zugeführt werden. Das ausgefällte Calciumcarbonat wird gesammelt, getrocknet und dann unter Hochtemperaturwärme (ca. 900 °C), die typischerweise durch die Verbrennung von Erdgas in reinem Sauerstoff bereitgestellt wird, kalziniert, um das CO2 freizusetzen. Das aus Kalziumkarbonat freigesetzte CO2 und das bei der Erdgasverbrennung erzeugte CO2 werden gemischt und zur weiteren Speicherung gesammelt10. Der hohe Wärmebedarf schränkt die Wärmeversorgungsmöglichkeiten für lösungsmittelbasierte DACCS ein. In dieser Studie betrachten wir Erdgas und erneuerbares Gas (Biomethan) als die beiden Wärmeoptionen für das lösungsmittelbasierte DACCS (ergänzende Abbildung 1). Weitere vorgeschlagene Methoden umfassen elektrische Widerstandsheizung und elektrochemische Regeneration, die hier nicht untersucht wurden.

DACCS auf Sorptionsmittelbasis verwendet typischerweise Aminmaterialien, die an eine breite Palette poröser fester Träger zur CO2-Abscheidung gebunden sind11,12,13,14. Hier haben wir die Verwendung von Siliciumdioxid auf Aminbasis als festes Sorptionsmittel in Betracht gezogen24. Der Prozess besteht aus zwei Hauptschritten, die zyklisch ablaufen: Adsorption und Desorption. Im Adsorptionsschritt bläst ein Ventilator Luft durch den Luftkontaktor, und das CO2 in der Luft reagiert mit dem Sorptionsmittel und bindet sich daran. Wenn das feste Sorptionsmittel mit CO2 gesättigt ist, beginnt der Desorptionsschritt im Luftkollektor. Bevor Wärme zugeführt wird, wird ein Vakuum angelegt, um Restluft aus dem Kontaktor zu entfernen und die für die Regeneration erforderliche Temperatur zu senken. Anschließend wird dem Luftkontaktor Wärme von etwa 100 °C zugeführt, um das CO2 zu desorbieren. Das gesammelte CO2 wird dann durch eine Kühleinheit geleitet, wo überschüssige Feuchtigkeit durch Kondensation entfernt und das CO2 auf Umgebungstemperatur gebracht werden kann. Im Desorptionsschritt liegt die Temperatur der Wärme bei ca. 80–120 °C, sodass als Wärmebereitstellung verschiedenste Wärmeenergiequellen (Erdgas, Wärmepumpe, Erdwärme und Abwärme) genutzt werden können. Hier modellieren wir Wärmepumpe (mit einer Leistungszahl von 2,524) und erneuerbares Gas (Biomethan) als die beiden Hauptoptionen (ergänzende Abbildung 1).

CO2-Transport und -Speicherung: Sobald das CO2 aus einem der beiden Prozesse freigesetzt wird, gehen wir davon aus, dass der CO2-Strom durch einen Kompressor auf 11 MPa komprimiert und dann durch eine Pipeline zum Speicherort transportiert wird. Die Länge der Transportleitung wird mit 50 km angenommen. Am Speicherort wird das CO2 weiter auf 15 MPa komprimiert und über jeweils 3 km tiefe Bohrungen in ein geologisches Reservoir injiziert. Dabei wird das CO2 dauerhaft als überkritische Phase gespeichert58 (Ergänzende Abbildung 1).

Die Systemgrenze beginnt am Lufteintritt mit einer CO2-Konzentration von 415 ppm, geht über CO2-Abscheidung, Regeneration, Kompression, Transport und endet mit der geologischen Speicherung. Unsere Analyse berücksichtigt auch vorgelagerte Emissionen aufgrund des indirekten Energiebedarfs für den Bau von Energieumwandlungstechnologien, die Kraftstoffproduktion und -handhabung. Die Funktionseinheit erfasst und sequestriert eine Tonne (1 Tonne) atmosphärisches CO2 durch DACCS-Technologien. Die NIK-Daten der beiden untersuchten DACCS-Technologien und der anschließenden Komprimierung und Lagerung wurden aus der Literatur gesammelt oder durch eine Bottom-up-Materialbedarfsanalyse geschätzt (mit der angenommenen Anlagenkapazität von 1 Mio. t CO2 und 0,1 Mio. t CO2 pro Jahr für lösungsmittel- und sorbensbasierte Technologien). Es wird davon ausgegangen, dass die LCI-Daten den Status-Quo-Material- und Energieverbrauch über den Lebenszyklus der beiden ausgewählten DACCS-Technologien darstellen. Die hierarchische Perspektive von ReCiPe 2016 v1.1 wird als Charakterisierungsmethode verwendet, um Emissionen und den Abbau natürlicher Ressourcen in Umweltauswirkungskategorien auf mittlerer Ebene umzuwandeln59.

Wenn wir in dieser Studie die Umweltauswirkungen von DACCS unter verschiedenen Stromdekarbonisierungspfaden vergleichen (SSP2-Basislinie vs. SSP2-RCP1.9 mit DACCS), werden die Ergebnisse auf der Grundlage statischer LCI-Daten von DACCS berechnet, die ihr aktuelles Material darstellen Energieverbrauch ohne Berücksichtigung des Technologielernens. Anschließend haben wir auch einen weiteren Satz von LCA-Ergebnissen für DACCS im SSP2-RCP1.9 mit DACCS-Szenario berechnet, basierend auf dynamischen LCI-Daten, die mithilfe des Lernkurvenansatzes geschätzt werden, sodass die Auswirkungen sowohl der Dekarbonisierung von Strom im Hintergrund als auch des Lernens von Vordergrundtechnologien erfasst werden. Durch den Vergleich der LCA-Ergebnisse von DACCS, die anhand statischer und dynamischer LCI-Daten im Szenario SSP2-RCP1.9 mit DACCS berechnet wurden, können wir die Auswirkungen der Dekarbonisierung von Strom im Hintergrund und des Lernens von Vordergrundtechnologien auf die Umweltauswirkungen von DACCS bewerten und vergleichen.

Der Lernkurvenansatz wurde als empirische Methode verwendet, um die Reduzierung der Stückkosten im Laufe der Zeit bei kumulativen Produktionssteigerungen für ein breites Spektrum von Fertigungs-60 und Energietechnologien61 zu untersuchen. Der Lerneffekt kann durch verschiedene Mechanismen charakterisiert werden, darunter technologischer Fortschritt, erhöhte Arbeitsproduktivität, Skaleneffekte sowie verbesserte Material- und Energieeffizienz. Der Lernkurvenansatz wurde auch als ein entscheidendes Mittel zur Untersuchung der künftig erwarteten Auswirkungen auf den Lebenszyklus aktueller neuer Technologien anerkannt62,63. Hier wenden wir den Ein-Faktor-Lernkurven-Ansatz an, um unsere zukünftige Ökobilanz zu informieren. Während die beiden untersuchten Technologien derzeit im Pilot- oder Demonstrationsmaßstab betrieben werden, gehen wir für beide von einem kommerziellen Betrieb aus und wenden konstante Lernraten an, die sich auf den Material- und Energieverbrauch im zukünftigen Lebenszyklus auswirken. Für beide hier untersuchten Technologien fehlen jedoch diese Lerneffekte auf den Material- und Energieverbrauch in der veröffentlichten Literatur. Daher gingen wir davon aus, dass sich der Material- und Energieverbrauch proportional zu den Änderungen pro Einheitskosten für die DACCS-Technologien ändert.

Es hat sich gezeigt, dass die Kapitalkosten von DACCS auf Lösungsmittel- und Sorbensbasis aufgrund ihrer unterschiedlichen Designmerkmale wahrscheinlich unterschiedlichen Lernraten folgen. Das lösungsmittelbasierte DACCS wird vor Ort gebaut und ist großmaßstäblich und profitiert von Skaleneffekten, es ist jedoch auch weniger wahrscheinlich, dass es schnelle Design- oder Fertigungsverbesserungen beinhaltet, während das sorbensbasierte DACCS auf standardisierten und modularen Einheiten basiert Diese Einheiten können in Massenproduktion hergestellt und eingesetzt werden, was eine schnelle Iteration und ein schnelles Lernen ermöglicht64. Daher gingen wir von durchschnittlichen Lernraten von 10 % bzw. 15 % für den Material- und Energieverbrauch aus, die mit den Kapitalinvestitionen für DACCS auf Lösungsmittel- bzw. Sorptionsmittelbasis verbunden sind. Was den Material- und Energieverbrauch im Zusammenhang mit den Betriebskosten betrifft, gingen wir dann von durchschnittlichen Lernraten von 2,5 % für DACCS auf Lösungsmittel- bzw. Sorbensbasis aus. Wir berücksichtigen auch Variationsbereiche für die Lernraten, um deren Unsicherheit widerzuspiegeln (Ergänzungstabelle 10). Diese Variationsbereiche werden verwendet, um eine Sensitivitätsanalyse zu entwickeln, um zu verstehen, wie sich die Lerngeschwindigkeit auf die Umweltauswirkungen von DACCS auswirkt. Um unrealistische Reduzierungen des Material- und Energieverbrauchs im Rahmen des Technologielernens zu vermeiden, haben wir außerdem auf der Grundlage von Expertenschätzungen Mindestfaktoren für den Material- und Energieverbrauch beider DACCS-Technologien festgelegt. Bei den lösungsmittelbasierten DACCS darf die Untergrenze des Material- und Energieeinsatzes im Zusammenhang mit den Kapital- und Betriebskosten nicht niedriger sein als 44 % bzw. 50 % ihrer ursprünglichen Mengen, und bei der sorptionsmittelbasierten DACCS darf die Untergrenze des Materialverbrauchs nicht unterschritten werden und der Energieverbrauch im Zusammenhang mit Kapital- und Betriebskosten darf im Jahr 2020 nicht weniger als 18 % bzw. 50 % ihres ursprünglichen Betrags betragen. Um die minimalen Material- und Energieverbrauchsfaktoren in die Lernkurvenformel einzubeziehen, haben wir die Lernkurvenformel in die folgende Gleichung angepasst. 1:

In Gl. 1, \({X}_{0}\) stellt die anfängliche DAC-Bereitstellungskapazität im Jahr \(0\) dar; \({X}_{t}\) stellt die kumulative DAC-Bereitstellungskapazität im Jahr \(t\) dar. Für ein bestimmtes Material oder Energieelement \(i\) stellt \({{LR}}_{i}\) die Lernrate des Elements \(i\) dar; \({D}_{i,0}\) stellt typischerweise den Einheitsverbrauch des Material- oder Energieelements \(i\) im Jahr \(0\) dar (entsprechend der anfänglichen CO2-Abscheidung \({X}_{ 0}\)). Hier besteht unser Ziel darin, die Material- und Energienutzungsfaktoren (anstelle des tatsächlichen Einheitenverbrauchs) im Rahmen des Technologielernens zu berechnen, sodass wir \({D}_{i,0}\) auf 1 normalisieren; \({D}_{i,t}\) ist auch ein normalisierter Material- und Energienutzungsfaktor des Artikels \(i\) im Jahr \(t\) (entsprechend der kumulierten CO2-Abscheidung \({X}_{ T}\)); \({D}_{i,{\min }}\) stellt die minimalen Material- und Energieeinsatzfaktoren des Elements \(i\) dar.

Schließlich gehen wir davon aus, dass DACCS auf Lösungsmittel- und Sorbensbasis jeweils die Hälfte der globalen kumulierten Kapazität von DACCS (IMAGE-Modellergebnisse) ausmachen. Anschließend haben wir die Material- und Energieeinsatzfaktoren für DACCS auf Lösungsmittel- und Sorbensbasis von 2020 bis 2100 auf der Grundlage ihrer kumulierten Kapazität geschätzt. Die Ergebnisse sind in der Ergänzungstabelle 11 dargestellt. Durch Multiplikation der Material- und Energieeinsatzfaktoren in einem bestimmten Jahr Mit dem tatsächlichen Material- und Energieverbrauch pro Einheit im ersten Jahr können wir den tatsächlichen Material- und Energieverbrauch pro Einheit in diesem bestimmten Jahr ermitteln. Annahmen zu Technologie-Lernraten und minimalen Material- und Energieeinsatzfaktoren von DACCS auf Lösungsmittel- und Sorptionsmittelbasis werden in der Ergänzenden Anmerkung 2 ausführlich erörtert.

Die ecoinvent-Datenbank23 ist die am weitesten verbreitete LCI-Datenbank, die vollständig miteinander verknüpfte Lieferketten für Einheitsprozesse für die in der Datenbank präsentierten Produkte bietet. Es deckt alle relevanten Umweltströme, Material- und Energieeinträge sowie Produkte von rund 18.000 Aktivitäten ab, wobei Forscher Daten über die Lieferkette sammeln können, um ein umfassendes Hintergrundsystem in einer Ökobilanzstudie zu bilden. Da die Daten in ecoinvent jedoch in der Regel in einem bestimmten Jahr erfasst werden, beschreibt die Datenbank die Stoff- und Energieflüsse zwischen Prozessen auf Basis eines bestehenden Lieferkettensystems. Daher ist die ecoinvent-Datenbank bei der Durchführung prospektiver LCA-Studien, die die Umweltauswirkungen zukünftiger Technologien oder neu entstehender Technologien, die sich im Laufe der Zeit entwickeln, bewerten, begrenzt.

Um die Umweltauswirkungen von DACCS-Technologien im Kontext eines sich verändernden Hintergrundstromsystems zu bewerten, adaptieren wir hier einen Open-Source-Ansatz (Wurst)37, der die IMAGE-Projektionen zum Strommix, zur Erzeugungseffizienz und zu strombedingten Emissionen systematisch integriert B. in der ecoinvent-Datenbank, und ändern Sie die Parameter in strombezogenen Aktivitätsdaten in der ecoinvent-Datenbank. Aufgrund der Unterschiede der Generierungstechnologien zwischen IMAGE und der ecoinvent-Datenbank entwickeln wir eine Matching-Liste, um die verfügbaren Technologien für beide Datenquellen abzubilden (Ergänzende Anmerkung 3). Ausführlichere Informationen zur Parameteränderung für die Ecoinvent-Datenbank mithilfe von Wurst finden Sie in einer früheren Studie37. Nach der Parameteränderung haben wir 27 Versionen von ecoinvent-Datenbanken entwickelt, die 9 verschiedenen Jahren von 2020 bis 2100 unter den Szenarien SSP2-Baseline, SSP2-RCP1.9 mit DACCS und SSP2-RCP1.9 ohne DACCS entsprechen.

In dieser Studie modifizieren wir die Hintergrund-LCI-Datenbank mithilfe von IMAGE-Projektionen des Netzmixes, der Erzeugungseffizienz und der Emissionen von Wärmekraftwerken (fossile Quellen, Biomasse und Kernenergie), während die erneuerbaren Quellen und ihre Effizienzniveaus auf den vorhandenen verfügbaren basieren Technologien. Technologische Innovationen wurden bei erneuerbaren Technologien (insbesondere Solar65,66 und Wind67) und Energiespeichertechnologien68,69 beobachtet, und diese werden sich mit zunehmender Verbreitung im Energiesystem weiterentwickeln. Um die voraussichtlichen Umweltauswirkungen energieintensiver Technologien wie DACCS unter bestimmten Klimakontexten besser bewerten zu können, könnte der Analyserahmen daher erweitert werden, um die Fortschritte, insbesondere bei der Materialeffizienz oder der Zirkularität, variabler erneuerbarer Energie- und Speichertechnologien in den USA zu berücksichtigen Hintergrundstromsystem.

Frühere Studien, die sich mit dem Technologielernen von DACCS befassten, konzentrierten sich auf Kostensenkungen64,70,71. Öffentlich verfügbare empirische Studien, die aufzeigen, wie sich Material- und Energieinputs im DACCS-Maßstab verändern, konnten nicht identifiziert werden. Angesichts dieser begrenzten Datenverfügbarkeit gehen wir davon aus, dass die Material- und Energieeinträge von DACCS denselben Lernraten folgen wie die damit verbundenen Kostenprognosen. In der Realität dürften die Technologie-Lernraten je nach Prozess und Art der physischen Eingabe variieren29,72. Zukünftige LCA-Studien, die darauf abzielen, die Auswirkungen des Technologielernens auf die Umweltauswirkungen zu quantifizieren, könnten sich möglicherweise auf detailliertere Lerndaten zu bestimmten physischen Inputs stützen. Darüber hinaus ändern sich die Lernraten neuer Technologien tendenziell mit dem Technologie-Bereitschaftsniveau (TRL)73,74,75. Prospektive Analysen neuer Technologien spiegeln dies idealerweise wider, indem sie einen Multi-Faktor-Lernkurven-Ansatz anwenden und zwischen den unterschiedlichen Lernraten bei verschiedenen TRL unterscheiden. Die hier analysierten Technologien funktionieren im Demonstrationsmaßstab (TRL-7), während wir eine einfaktorielle, konstante Lernrate anwenden und Learning-by-Doing-Verbesserungen im kommerziellen Maßstab postulieren (TRL-9). Die Lernrate im kommerziellen Maßstab ist ein Forschungsgebiet und derzeit unbekannt. Auf der Skala unserer Analyse ist es jedoch unwahrscheinlich, dass eine entsprechende Differenzierung zu mehr Genauigkeit oder Erkenntnissen führt. Die Unsicherheit hinsichtlich der spezifischen einzelnen Lernrate im kommerziellen Maßstab wird erfasst, indem getestet wird, wie sich unterschiedliche Lernraten auf unsere Ergebnisse auswirken. Unter Verwendung eines Ein-Faktor-Lernkurven-Ansatzes führen wir daher die Kostenänderung und den damit verbundenen Material- und Energieverbrauch auf die kumulierte installierte Kapazität von DACCS im Laufe der Zeit zurück, was unsere Fähigkeit einschränkt, die Korrelation zwischen technologischem Fortschritt und anderen Faktoren aufzudecken, wie z ) F&E-Ausgaben76.

Der Schritt der Bewertung der Auswirkungen auf den Lebenszyklus setzt Emissionen und Ressourcenverbrauch mithilfe von Charakterisierungsfaktoren in Beziehung zu den Umweltauswirkungen. Der hier angepasste Rahmen verwendete Charakterisierungsfaktoren auf globaler oder europäischer Ebene. Während ortsspezifische Charakterisierungsfaktoren für globale Auswirkungen wie die Auswirkungen des Klimawandels geeignet sind, können sie zu großer Unsicherheit bei der Quantifizierung nicht-globaler Auswirkungen wie Versauerung77, Eutrophierung78 und Ökotoxizität79 führen, die typischerweise durch regionale meteorologische, hydrologische Böden beeinflusst werden Bedingungen und die Empfindlichkeit von Ökosystemen gegenüber Emissionen. Für diese Wirkungskategorien wurden zwar länderabhängige Charakterisierungsmodelle und -faktoren entwickelt, diese wurden jedoch noch nicht in den in dieser Studie verwendeten Ökobilanzrahmen integriert. Weitere methodische Verbesserungen sind erforderlich, um die Leistungsfähigkeit des bestehenden Rahmens für die Durchführung regionaler Folgenabschätzungen zu verbessern.

Diese Studie zeigt, dass die Umweltauswirkungen von DACCS je nach Hintergrundenergiesystem unterschiedlich verlaufen können. Daher ist es wichtig, diese Umweltkennzahlen weiterhin zu überwachen oder sie sogar im Entscheidungsprozess zu berücksichtigen. Zukünftige Forschungen könnten die Machbarkeit der Einbeziehung von Lebenszyklus-Umweltmetriken in IAMs untersuchen, um eine bessere Umweltverträglichkeitsprüfung zu ermöglichen. Moderne IAMs enthalten in der Regel einige umweltbezogene Kennzahlen wie Treibhausgasemissionen, Land- und Wassernutzung als Einschränkungen, es fehlen jedoch viele andere Dimensionen der Umweltauswirkungen. Beispielsweise könnte der Metallverbrauch angesichts der zunehmenden Verbreitung erneuerbarer Energien und Batteriespeicher im Energiesystem, die ressourcenintensiv sind, eine wichtige Messgröße sein. Darüber hinaus erfassen Lebenszyklus-Umweltmetriken die Emissionen aus allen Lebenszyklusphasen (z. B. Bau, Transport, Betrieb und Lebensende usw.), und IAMs bewerten die Wechselbeziehung zwischen verschiedenen Sektoren. Daher sollten bei der Integration von Lebenszyklus-Umweltmetriken und IAMs die Emissionen verschiedener Lebenszyklusphasen sorgfältig den entsprechenden Sektoren/Energieträgern im IAM zugeordnet werden, um Doppelzählungen zu vermeiden80.

Die vollständigen NIK-Daten für die beiden DACCS-Technologien finden Sie im Dokument „Supplementary Information“ (Tabelle 6 bis Tabelle 9). Die IMAGE-Ausgaben der drei in dieser Studie betrachteten Szenarien werden dokumentiert und in der Datei „Data_source“ im Ergänzungsdatensatz bereitgestellt. Die LCI-Daten einiger Stromerzeugungstechnologien (Welle, fossiler Brennstoff mit CCS), der Biomethan-Wärmeversorgung und des Sorptionsmittels auf Aminbasis werden während des LCA-Modellierungsprozesses in die modifizierte ecoinvent-Datenbank integriert. Diese LCI-Daten werden auch in derselben „Data_source“ bereitgestellt " Datei im Ergänzungsdatensatz. Eine permanente Referenz unserer im GitHub-Repository bereitgestellten Daten ist auch über https://doi.org/10.5281/zenodo.651334381 zugänglich.

Alle in dieser Studie verwendeten R- und Python-Codes werden dokumentiert und in der Datei „Code“ im Ergänzungsdatensatz bereitgestellt. Zur Erstellung der Zahlen in dieser Studie wird R-Programmierung verwendet. Alle zur Erstellung der Zahlen verwendeten Ergebnisse werden dokumentiert und in der Datei „R_code_result_export“ im Ergänzungsdatensatz bereitgestellt. Um die LCA-Modellberechnungen erneut auszuführen, sind Brightway2, Wurst (zwei Python-Codierungs-Frameworks) und die Ecoinvent 3.6-Datenbank (Lizenz erforderlich) erforderlich. Eine permanente Referenz unseres im GitHub-Repository bereitgestellten Codes ist auch über https://doi.org/10.5281/zenodo.651334381 zugänglich.

IPCC. Sonderbericht über die Auswirkungen einer globalen Erwärmung von 1,5 °C über dem vorindustriellen Niveau und die damit verbundenen globalen Treibhausgasemissionspfade. (Zwischenstaatlicher Ausschuss für Klimaänderungen, 2018).

Rogelj, J. et al. Szenarien zur Begrenzung des globalen Durchschnittstemperaturanstiegs auf unter 1,5 °C. Nat. Aufstieg. Änderung 8, 325–332 (2018).

Sanz-Pérez, ES, Murdock, CR, Didas, SA & Jones, CW Direkte Abscheidung von CO2 aus der Umgebungsluft. Chem. Rev. 116, 11840–11876 (2016).

Artikel PubMed Google Scholar

Bauer, N. et al. Emissionsreduzierungen im globalen Energiesektor und Bioenergienutzung: Überblick über die Bioenergienachfragephase des EMF-33-Modellvergleichs. Aufstieg. Änderung 163, 1553–1568 (2020).

Artikel CAS Google Scholar

Smith, P. et al. Biophysikalische und ökonomische Grenzen negativer CO2-Emissionen. Nat. Aufstieg. Änderung 6, 42–50 (2016).

Artikel CAS Google Scholar

Fuss, S. et al. Negative Emissionen – Teil 2: Kosten, Potenziale und Nebenwirkungen. Umgebung. Res. Lette. 13, 063002 (2018).

Artikel Google Scholar

Stucki, S., Schuler, A. & Constantinescu, M. Gekoppelte CO2-Rückgewinnung aus der Atmosphäre und Wasserelektrolyse: Machbarkeit eines neuen Prozesses zur Wasserstoffspeicherung. Int. J. Hydrog. Energy 20, 653–663 (1995).

Artikel CAS Google Scholar

Baciocchi, R., Storti, G. & Mazzotti, M. Prozessdesign und Energiebedarf für die Abscheidung von Kohlendioxid aus der Luft. Chem. Ing. Verfahren. Prozessintensiv. 45, 1047–1058 (2006).

Artikel CAS Google Scholar

Zeman, F. Energie- und Stoffbilanz der CO2-Abscheidung aus der Umgebungsluft. Umgebung. Wissenschaft. Technol. 41, 7558–7563 (2007).

Artikel CAS PubMed Google Scholar

Keith, DW, Holmes, G., St. Angelo, D. & Heidel, K. Ein Verfahren zur Gewinnung von CO2 aus der Atmosphäre. Joule 2, 1573–1594 (2018).

Artikel CAS Google Scholar

Veselovskaya, JV et al. Direkte CO2-Abscheidung aus der Umgebungsluft mithilfe eines K2CO3/Al2O3-Verbundsorbens. Int. J. Greenh. Gas. Kontrolle 17, 332–340 (2013).

Artikel CAS Google Scholar

Lu, W., Sculley, JP, Yuan, D., Krishna, R. & Zhou, H.-C. Kohlendioxidabscheidung aus der Luft mithilfe amingepfropfter poröser Polymernetzwerke. J. Phys. Chem. C. 117, 4057–4061 (2013).

Artikel CAS Google Scholar

Gebald, C., Wurzbacher, JA, Tingaut, P., Zimmermann, T. & Steinfeld, A. Aminbasierte nanofibrillierte Cellulose als Adsorbens für die CO 2 -Abscheidung aus der Luft. Umgebung. Wissenschaft. Technol. 45, 9101–9108 (2011).

Artikel CAS PubMed Google Scholar

McDonald, TM et al. Abscheidung von Kohlendioxid aus Luft und Rauchgas im Alkylamin-angehängten Metall-organischen Gerüst mmen-Mg2 (dobpdc). Marmelade. Chem. Soc. 134, 7056–7065 (2012).

Artikel CAS PubMed Google Scholar

Beuttler, C., Charles, L. & Wurzbacher, J. Die Rolle der direkten Luftabscheidung bei der Eindämmung anthropogener Treibhausgasemissionen. Vorderseite. Aufstieg. 1, 611593 (2019).

Artikel Google Scholar

Chen, C. & Tavoni, M. Direkte Luftabscheidung von CO2 und Klimastabilisierung: eine modellbasierte Bewertung. Aufstieg. Änderung 118, 59–72 (2013).

Artikel CAS Google Scholar

Marcucci, A., Kypreos, S. & Panos, E. Der Weg zur Erreichung der langfristigen Pariser Ziele: Energiewende und die Rolle der direkten Luftabscheidung. Aufstieg. Änderung 144, 181–193 (2017).

Artikel Google Scholar

Fuhrman, J. et al. Auswirkungen negativer Emissionstechnologien auf Nahrungsmittel, Energie und Wasser in einer Zukunft mit +1,5 °C. Nat. Aufstieg. Ändern. 10, 920–927 (2020).

Artikel CAS Google Scholar

Realmonte, G. et al. Eine modellübergreifende Bewertung der Rolle der direkten Lufterfassung bei tiefen Minderungspfaden. Nat. Komm. 10, 3277 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Fuhrman, J. et al. Die Rolle der direkten Luftabscheidung und der Technologien für negative Emissionen in den gemeinsamen sozioökonomischen Pfaden zu 1,5 °C- und 2 °C-Futures. Umgebung. Res. Lette. 16, 114012 (2021).

Creutzig, F. et al. Die gegenseitige Abhängigkeit von Negativemissionstechnologien und Energiesystemen. Energieumwelt. Wissenschaft. 12, 1805–1817 (2019).

Artikel CAS Google Scholar

de Jonge, MMJ, Daemen, J., Loriaux, JM, Steinmann, ZJN & Huijbregts, MAJ Lebenszyklus-Kohlenstoffeffizienz von Direct Air Capture-Systemen mit starken Hydroxidsorbentien. Int. J. Greenh. Gas. Kontrolle 80, 25–31 (2019).

Artikel Google Scholar

Liu, CM, Sandhu, NK, McCoy, ST & Bergerson, JA Eine Lebenszyklusbewertung der Treibhausgasemissionen aus der direkten Luftabscheidung und der Fischer-Tropsch-Kraftstoffproduktion. Nachhaltig. Energy Fuels 4, 3129–3142 (2020).

CAS Google Scholar

Deutz, S. & Bardow, A. Lebenszyklusbewertung eines industriellen Direct-Air-Capture-Prozesses basierend auf Temperatur-Vakuum-Wechseladsorption. Nat. Energie 6, 203–213 (2021).

Artikel CAS Google Scholar

McQueen, N., Desmond, MJ, Socolow, RH, Psarras, P. & Wilcox, J. Erdgas vs. Elektrizität für die lösungsmittelbasierte direkte Luftabscheidung. Vorderseite. Aufstieg. 2, 618644 (2021).

Terlouw, T., Treyer, K., Bauer, C. & Mazzotti, M. Lebenszyklusbewertung der direkten Kohlenstoffabscheidung und -speicherung in der Luft mit kohlenstoffarmen Energiequellen. Umgebung. Wissenschaft. Technol. 55, 11397–11411 (2021).

Caduff, M., Huijbregts, MAJ, Althaus, H.-J. & Hendriks, AJ Potenzgesetz-Beziehungen zur Schätzung von Masse, Kraftstoffverbrauch und Kosten von Energieumwandlungsanlagen. Umgebung. Wissenschaft. Technol. 45, 751–754 (2011).

Artikel CAS PubMed Google Scholar

Caduff, M., Huijbregts, MAJ, Koehler, A., Althaus, H.-J. & Hellweg, S. Skalierungsbeziehungen in der Ökobilanz. J. Ind. Ecol. 18, 393–406 (2014).

Artikel CAS Google Scholar

Bergesen, JD & Suh, S. Ein Rahmen für technologisches Lernen in der Lieferkette: Eine Fallstudie zur CdTe-Photovoltaik. Appl. Energie 169, 721–728 (2016).

Artikel CAS Google Scholar

Van Vuuren, DP et al. Energie-, Landnutzungs- und Treibhausgasemissionsverläufe unter einem grünen Wachstumsparadigma. Globus. Umgebung. Änderung 42, 237–250 (2017).

Artikel Google Scholar

Stehfest, E., van Vuuren, D., Bouwman, L. & Kram, T. Integrierte Bewertung globaler Umweltveränderungen mit IMAGE 3.0: Modellbeschreibung und politische Anwendungen. (Niederländische Agentur für Umweltverträglichkeitsprüfung (PBL), 2014).

Riahi, K. et al. Die gemeinsamen sozioökonomischen Pfade und ihre Auswirkungen auf Energie, Landnutzung und Treibhausgasemissionen: ein Überblick. Globus. Umgebung. Änderung 42, 153–168 (2017).

Artikel Google Scholar

O'Neill, BC et al. Die Wege vor uns: Narrative für gemeinsame sozioökonomische Wege, die die Weltzukünfte im 21. Jahrhundert beschreiben. Globus. Umgebung. Änderung 42, 169–180 (2017).

Artikel Google Scholar

Van Vuuren, DP et al. Die repräsentativen Konzentrationswege: ein Überblick. Aufstieg. Änderung 109, 5–31 (2011).

Artikel Google Scholar

Tillman, A.-M. Bedeutung der Entscheidungsfindung für die LCA-Methodik. Umgebung. Folgenabschätzung. Rev. 20, 113–123 (2000).

Artikel Google Scholar

Hospido, A., Davis, J., Berlin, J. & Sonesson, U. Ein Überblick über methodische Probleme, die sich auf die Ökobilanz neuartiger Lebensmittel auswirken. Int J. Lebenszyklusbewertung. 15, 44–52 (2010).

Artikel Google Scholar

Beltran, AM et al. Wenn der Hintergrund zählt: Verwendung von Szenarien aus integrierten Bewertungsmodellen in der prospektiven Ökobilanz. J. Ind. Ecol. 24, 64–79 (2020).

Artikel Google Scholar

Rauner, S. et al. Die durch den Kohleausstieg verursachten Gesundheits- und Umweltschäden überwiegen die wirtschaftlichen Auswirkungen. Nat. Aufstieg. Ändern. 10, 308–312 (2020).

Artikel Google Scholar

FAKTENBLATT: Präsident Biden legt das Ziel zur Reduzierung der Treibhausgasverschmutzung bis 2030 fest, das darauf abzielt, gut bezahlte Gewerkschaftsarbeitsplätze zu schaffen und die Führungsrolle der USA bei sauberen Energietechnologien zu sichern. https://www.whitehouse.gov/briefing-room/statements-releases/2021/04/22/fact-sheet-president-biden-sets-2030-greenhouse-gas-pollution-reduction-target-aimed-at- Schaffung gut bezahlter Gewerkschaftsarbeitsplätze und Sicherung unserer Führungsrolle bei sauberen Energietechnologien/ (2021).

Madhu, K., Pauliuk, S., Dhathri, S. & Creutzig, F. Verständnis der Umweltkompromisse und des Ressourcenbedarfs von Direct-Air-Capture-Technologien durch vergleichende Lebenszyklusbewertung. Nat. Energie 6, 1035–1044 (2021).

Artikel CAS Google Scholar

McQueen, N. et al. Kostenanalyse der direkten Luftabscheidung und -sequestrierung in Verbindung mit kohlenstoffarmer Wärmeenergie in den Vereinigten Staaten. Umgebung. Wissenschaft. Technol. 54, 7542–7551 (2020).

Artikel CAS PubMed Google Scholar

Wernet, G. et al. Die ecoinvent-Datenbank Version 3 (Teil I): Überblick und Methodik. Int. J. Lebenszyklusbewertung. 21, 1218–1230 (2016).

Artikel Google Scholar

Kohlendioxid-Emissionskoeffizienten nach Kraftstoff – US Energy Information Administration (EIA). https://www.eia.gov/environment/emissions/co2_vol_mass.php (2021).

Kätelhön, A., Bardow, A. & Suh, S. Stochastisches Technologieauswahlmodell für die konsequente Lebenszyklusbewertung. Umgebung. Wissenschaft. Technol. 50, 12575–12583 (2016).

Artikel PubMed Google Scholar

Kätelhön, A., von der Assen, N., Suh, S., Jung, J. & Bardow, A. Industry-Cost-Curve-Ansatz zur Modellierung der Umweltauswirkungen der Einführung neuer Technologien in der Ökobilanz. Umgebung. Wissenschaft. Technol. 49, 7543–7551 (2015).

Artikel PubMed Google Scholar

Qin, Y., Yang, Y., Cucurachi, S. & Suh, S. Nichtlinearität in der marginalen Ökobilanz: Anwendung des räumlichen Optimierungsmodells. Vorderseite. Aufrechterhalten. 2, 631080 (2021).

Pizzol, M., Sacchi, R., Köhler, S. & Anderson Erjavec, A. Nichtlinearität in der Lebenszyklusbewertung skalierbarer und neuer Technologien. Vorderseite. Aufrechterhalten. 1, 611593 (2021).

Mutel, C. Brightway: ein Open-Source-Framework für die Lebenszyklusbewertung. J. Open Source Softw. 2, 236 (2017).

Artikel Google Scholar

Mulders, FMM, Hettelar, JMM & Van Bergen, F. Bewertung der globalen Reserven und Ressourcen fossiler Brennstoffe für TIMER. TNO Built Environment and Geosciences, Utrecht 98, https://models.pbl.nl/image/index.php/Mulders_et_al.,_2006 (2006).

Rogner, H.-H. Eine Bewertung der weltweiten Kohlenwasserstoffressourcen. Annu. Rev. Energy Environ. 22, 217–262 (1997).

Artikel Google Scholar

De Vries, BJ, Van Vuuren, DP & Hoogwijk, MM Erneuerbare Energiequellen: Ihr globales Potenzial für die erste Hälfte des 21. Jahrhunderts auf globaler Ebene: ein integrierter Ansatz. Energiepolitik 35, 2590–2610 (2007).

Artikel Google Scholar

Gernaat, DE, Bogaart, PW, van Vuuren, DP, Biemans, H. & Niessink, R. Hochauflösende Bewertung des globalen technischen und wirtschaftlichen Wasserkraftpotenzials. Nass. Energie 2, 821–828 (2017).

Artikel Google Scholar

Daioglou, V., Doelman, JC, Wicke, B., Faaij, A. & van Vuuren, DP Integrierte Bewertung von Biomasseangebot und -nachfrage in Klimaschutzszenarien. Globus. Umgebung. Änderung 54, 88–101 (2019).

Artikel Google Scholar

van Soest, H. et al. Eine globale Einführung national relevanter Richtlinien überbrückt die Emissionslücke. https://doi.org/10.21203/rs.3.rs-126777/v1 (2021).

Koelbl, BS, van den Broek, MA, Faaij, APC & van Vuuren, DP Unsicherheit bei den Einsatzprognosen für die Kohlenstoffabscheidung und -speicherung (CCS): eine modellübergreifende Vergleichsübung. Aufstieg. Änderung 123, 461–476 (2014).

Artikel CAS Google Scholar

Broehm, M., Strefler, J. & Bauer, N. Technoökonomische Überprüfung von Direct Air Capture-Systemen zur groß angelegten Minderung von atmosphärischem CO2. https://papers.ssrn.com/abstract=2665702. https://doi.org/10.2139/ssrn.2665702. (2015)

Socolow, R. et al. Direkte Luftabscheidung von CO2 mit Chemikalien: eine Technologiebewertung für das APS Panel on Public Affairs. https://www.aps.org/policy/reports/assessments/upload/dac2011.pdf. (2011).

Koornneef, J., van Keulen, T., Faaij, A. & Turkenburg, W. Ökobilanz eines Kohlenstaubkraftwerks mit Abscheidung, Transport und Speicherung von CO2 nach der Verbrennung. Int. J. Greenh. Gas. Kontrolle 2, 448–467 (2008).

Artikel CAS Google Scholar

Huijbregts, MA et al. ReCiPe2016: eine harmonisierte Methode zur Bewertung der Auswirkungen auf den Lebenszyklus auf Mittel- und Endpunktebene. Int. J. Lebenszyklusbewertung. 22, 138–147 (2017).

Artikel Google Scholar

Argote, L. & Epple, D. Lernkurven in der Fertigung. Science 247, 920 (1990).

Artikel CAS PubMed Google Scholar

Junginger, M. & Louwen, A. Technologisches Lernen beim Übergang zu einem kohlenstoffarmen Energiesystem: Konzeptionelle Probleme, empirische Erkenntnisse und Verwendung bei der Energiemodellierung. (Academic Press, 2019).

van der Giesen, C., Cucurachi, S., Guinée, J., Kramer, GJ & Tukker, A. Eine kritische Sicht auf die aktuelle Anwendung von LCA für neue Technologien und Empfehlungen für eine verbesserte Praxis. J. Reinigerprodukt. 259, 120904. https://doi.org/10.1016/j.jclepro.2020.120904. (2020).

Bergerson, JA et al. Lebenszyklusbewertung neuer Technologien: Bewertungstechniken in verschiedenen Phasen der Markt- und technischen Reife. J. Ind. Ecol. 24, 11–25 (2020).

Artikel CAS Google Scholar

Baker, SE et al. Zur Neutralität kommen: Optionen für negative CO2-Emissionen in Kalifornien. https://gs.llnl.gov/sites/gs/files/2021-08/getting_to_neutral.pdf. (2019).

Ahmad, L., Khordehgah, N., Malinauskaite, J. & Jouhara, H. Jüngste Fortschritte und Anwendungen von Solarphotovoltaik und thermischen Technologien. Energie 207, 118254 (2020).

Artikel Google Scholar

Rabaia, MKH et al. Umweltauswirkungen von Solarenergiesystemen: ein Rückblick. Wissenschaft. Gesamtumgebung. 754, 141989 (2021).

Artikel CAS PubMed Google Scholar

Watson, S. et al. Zukünftige neue Technologien im Windkraftsektor: eine europäische Perspektive. Erneuern. Aufrechterhalten. Energy Rev. 113, 109270 (2019).

Artikel Google Scholar

Aneke, M. & Wang, M. Energiespeichertechnologien und reale Anwendungen – Ein Überblick über den neuesten Stand der Technik. Appl. Energie 179, 350–377 (2016).

Artikel Google Scholar

Schmidt, O., Hawkes, A., Gambhir, A. & Staffell, I. Die zukünftigen Kosten der Speicherung elektrischer Energie basierend auf Erfahrungssätzen. Nat. Energie 2, 1–8 (2017).

Google Scholar

Fasihi, M., Efimova, O. & Breyer, C. Technoökonomische Bewertung von CO2-Direktabscheidungsanlagen aus der Luft. J. Sauber. Prod. 224, 957–980 (2019).

Artikel CAS Google Scholar

McQueen, N. et al. Ein Überblick über Direct Air Capture (DAC): Ausweitung kommerzieller Technologien und Innovation für die Zukunft. Prog. Energie 3, 032001 (2021).

Artikel Google Scholar

Karali, N., Park, WY & McNeil, M. Modellierung des technologischen Wandels und seiner Auswirkungen auf Energieeinsparungen im US-amerikanischen Eisen- und Stahlsektor. Appl. Energie 202, 447–458 (2017).

Artikel Google Scholar

Gross, R. et al. Die Zukunft präsentieren: Methoden zur Schätzung der Stromgestehungskosten. https://d2e1qxpsswcpgz.cloudfront.net/uploads/2020/03/presenting-the-future-electricity-generation-cost-estimation-methodologies.pdf. (UK Energy Research Centre, 2013).

Ferioli, F. & Van der Zwaan, BCC Lernen in Zeiten des Wandels: Eine dynamische Erklärung für den technologischen Fortschritt. (ACS-Veröffentlichungen, 2009).

Nemet, GF Interimsmonitoring der Kostendynamik für öffentlich geförderte Energietechnologien. Energiepolitik 37, 825–835 (2009).

Artikel Google Scholar

Rubin, ES, Azevedo, IML, Jaramillo, P. & Yeh, S. Eine Überprüfung der Lernraten für Stromversorgungstechnologien. Energiepolitik 86, 198–218 (2015).

Artikel Google Scholar

Roy, P.-O. et al. Charakterisierungsfaktoren für die terrestrische Versauerung auf globaler Ebene: eine systematische Analyse räumlicher Variabilität und Unsicherheit. Wissenschaft. Gesamtumgebung. 500–501, 270–276 (2014).

Artikel PubMed Google Scholar

Helmes, RJK, Huijbregts, MAJ, Henderson, AD & Jolliet, O. Räumlich explizite Schicksalsfaktoren von Phosphoremissionen in Süßwasser auf globaler Ebene. Int J. Lebenszyklusbewertung. 17, 646–654 (2012).

Artikel CAS Google Scholar

Dong, Y., Rosenbaum, RK & Hauschild, MZ Bewertung der Metalltoxizität in Meeresökosystemen: Vergleichende Toxizitätspotenziale für neun kationische Metalle im Küstenmeerwasser. Umgebung. Wissenschaft. Technol. 50, 269–278 (2016).

Artikel CAS PubMed Google Scholar

Arvesen, A., Luderer, G., Pehl, M., Bodirsky, BL & Hertwich, EG Ableitung von Ökobilanzkoeffizienten für die Anwendung in der integrierten Bewertungsmodellierung. Umgebung. Modell. Softw. 99, 111–125 (2018).

Artikel Google Scholar

Qiu, Y. Umweltkompromisse von Direct-Air-Capture-Technologien bei der Eindämmung des Klimawandels bis zum Jahr 2100 – Code und Daten. https://doi.org/10.5281/zenodo.6513343 (2022).

Referenzen herunterladen

Diese Arbeit wurde teilweise vom National Renewable Energy Laboratory (NREL) verfasst, das von Alliance for Sustainable Energy, LLC für das US-Energieministerium (DOE) unter der Vertragsnummer DE-AC36-08GO28308 betrieben wird. PL und YQ wurden durch das Laboratory Directed Research and Development (LDRD)-Programm am NREL unterstützt. Die in dem Artikel geäußerten Ansichten spiegeln nicht unbedingt die Ansichten des DOE oder der US-Regierung wider. Die US-Regierung behält sich vor, und der Herausgeber erkennt mit der Annahme des Artikels zur Veröffentlichung an, dass die US-Regierung eine nicht ausschließliche, bezahlte, unwiderrufliche, weltweite Lizenz behält, die veröffentlichte Form dieses Werks zu veröffentlichen oder zu reproduzieren oder anderen dies zu gestatten. für Zwecke der US-Regierung. YQ wurde auch durch das IRES-Programm der University of California, Santa Barbara (National Science Foundation Award Nr. 1658652) finanziert. Die Forschung von VD, HB und MH, die zu diesen Ergebnissen führte, wurde durch das Horizon 2020-Programm H2020/2019-2023 der Europäischen Kommission gefördert (Finanzhilfevereinbarung Nr. 821124: NAVIGATE). Die Beiträge von AB waren Teil des PrISMa-Projekts (Nr. 299659), das durch das ACT-Programm (Accelerating CCS Technologies, Horizon 2020-Projekt Nr. 294766) finanziert wurde. Wir danken Marvin Bachmann, Sarah Deutz und Leonard Müller für ihre Unterstützung bei der Gestaltung dieser Studie und der Erhebung von Lebenszyklusinventurdaten von DACCS-Systemen. Wir danken Katherine Blumanthal und Maxwell Pisciotta für ihre Unterstützung bei der Schätzung der Materialbedarfsdaten von DACCS-Systemen.

Diese Autoren haben gleichermaßen beigetragen: Yang Qiu, Patrick Lamers, Vassilis Daioglou.

National Renewable Energy Laboratory, 15013 Denver W Pkwy, Golden, CO, 80401, USA

Yang Qiu & Patrick Lamers

Bren School of Environmental Science and Management, 2400 University of California, Santa Barbara, CA, 93117, USA

Yang Qiu & Sangwon Suh

Copernicus-Institut für nachhaltige Entwicklung, Universität Utrecht, Princetonlaan 8a, 3584 CS, Utrecht, Niederlande

Vassilis Daioglou & Mathijs Harmsen

PBL Netherlands Environmental Assessment Agency, Postfach 30314, 2500 GH, Den Haag, Niederlande

Vassilis Daioglou, Harmen-Sytze de Boer & Mathijs Harmsen

Abteilung für Chemie- und Biomolekulartechnik, University of Pennsylvania, Philadelphia, PA, 19104, USA

Noah McQueen und Jennifer Wilcox

Institute of Energy and Climate Research - Energy Systems Engineering (IEK-10), Forschungszentrum Jülich GmbH, Jülich, Germany

André Bardow

Energie- und Prozesssystemtechnik, ETH Zürich, 8092, Zürich, Schweiz

André Bardow

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

YQ, PL und VD haben gleichermaßen zu diesem Artikel beigetragen. PL hat Fördermittel eingeworben. PL und SS haben die Studie entworfen. YQ, VD, HB und MH führten die Experimente durch. NM, JW, AB stellten Daten zur Verfügung. PL, YQ und VD haben den Artikel mit Beiträgen der anderen Autoren geschrieben.

Korrespondenz mit Patrick Lamers oder Sangwon Suh.

AB war Mitglied in Prüfungsausschüssen für Forschung und Entwicklung bei ExxonMobil und Total Energies. Die anderen Autoren erklären keine konkurrierenden Interessen.

Nature Communications dankt Habiba Ahut Daggash, Evangelos Panos und den anderen, anonymen Gutachtern für ihren Beitrag zum Peer-Review dieser Arbeit.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Qiu, Y., Lamers, P., Daioglou, V. et al. Umweltbezogene Kompromisse zwischen Direct-Air-Capture-Technologien und der Eindämmung des Klimawandels bis zum Jahr 2100. Nat Commun 13, 3635 (2022). https://doi.org/10.1038/s41467-022-31146-1

Zitat herunterladen

Eingegangen: 20. September 2021

Angenommen: 03. Juni 2022

Veröffentlicht: 25. Juni 2022

DOI: https://doi.org/10.1038/s41467-022-31146-1

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Natur Klimawandel (2023)

Naturkommunikation (2023)

Klimawandel (2023)

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.