fr.wedoany.com Rapport : Le laboratoire de modélisation des émissions et des données énergétiques (EEMDL), fruit d’une collaboration entre l’Université du Texas à Austin, l’Université d’État du Colorado et l’École des Mines du Colorado, s’efforce de développer des modèles transparents et des ensembles de données publics afin de soutenir une comptabilisation plus précise des gaz à effet de serre dans la chaîne d’approvisionnement mondiale des hydrocarbures. Ce laboratoire est rattaché au Centre d’analyse des systèmes énergétiques et environnementaux (CEESA) de l’Université du Texas à Austin, qui rassemble des enseignants-chercheurs, postdoctorants, étudiants et personnels travaillant sur les émissions de méthane, l’hydrogène, l’élimination du carbone et les voies énergétiques bas carbone. L’EEMDL est l’un des principaux projets de ce centre.
Ravikumar souligne que l’un des défis majeurs de la recherche sur le méthane réside dans l’écart entre les émissions mesurées et les estimations des inventaires officiels. Cette divergence provient du fait que les inventaires traditionnels s’appuient sur des facteurs d’émission obsolètes et peinent à capturer les événements de super-émetteurs, de grande ampleur et intermittents. Les technologies de mesure du méthane évoluent rapidement : les moniteurs continus, les drones, les véhicules, les avions et les satellites génèrent une masse considérable de données d’observation. Le défi n’est plus le manque de données, mais bien l’interprétation de ces mesures.
Le méthane est crucial pour les parties prenantes de l’industrie et du climat en raison de ses liens étroits avec les aspects commerciaux, réglementaires, opérationnels et l’accessibilité énergétique. Pour les exportateurs américains de gaz naturel liquéfié (GNL), la performance en matière de méthane est directement liée à l’accès au marché, les clients européens exigeant des chaînes d’approvisionnement à faibles émissions de carbone. Si des normes d’intensité méthane sont imposées pour les importations de GNL, la pression pour réduire les émissions s’étendra aux producteurs en amont, aux exploitants de pipelines et à l’ensemble de la chaîne d’approvisionnement du gaz naturel. La réduction des émissions de méthane permet de conserver un gaz précieux dans le système énergétique et reste l’une des stratégies de réduction des gaz à effet de serre les moins coûteuses et les plus viables dans le secteur des hydrocarbures.
En matière de méthodes de mesure, la distinction entre approches descendantes et ascendantes n’est pas absolue. Les mesures ascendantes fournissent des informations spécifiques aux sources, permettant d’identifier les émissions de composants ou d’équipements individuels, mais elles sont généralement chronophages et limitées en couverture. Les mesures descendantes couvrent plus rapidement de plus grandes zones, mais offrent moins de détails sur les sources d’émission spécifiques. Ravikumar insiste sur le fait que la mesure du méthane doit être considérée comme un système multi-échelle, englobant des observations au niveau des sources, des sites, des installations et des régions. L’intégration des données provenant des satellites, des avions, des drones, des systèmes au sol et des moniteurs continus est essentielle pour une compréhension plus complète des émissions de méthane.
Un inventaire crédible du méthane basé sur des mesures doit intégrer, de manière scientifiquement défendable, les données opérationnelles, les inventaires spécifiques aux sources ou les facteurs d’émission, ainsi que les résultats de mesures provenant de différentes technologies. Pour les cadres de déclaration volontaire tels que le Partenariat pour le méthane dans le secteur pétrolier et gazier (Oil and Gas Methane Partnership), les entreprises doivent combiner les données de mesure avec des inventaires spécifiques aux sources afin d’améliorer leurs rapports sur les émissions de méthane. Les inventaires au niveau des opérateurs, des actifs ou des installations doivent interpréter les résultats de mesure en les combinant avec les connaissances opérationnelles et les informations au niveau des sources.
L’un des travaux les plus remarquables de l’EEMDL actuellement consiste à intégrer les données de mesure du méthane avec les informations opérationnelles. En collaborant avec les opérateurs pour développer des méthodes coordonnées, le laboratoire combine mesures, connaissances opérationnelles et données spécifiques aux sources afin de produire les inventaires les plus utiles à différentes échelles spatiales. Cette approche ne privilégie aucune technologie de mesure particulière, mais se concentre sur la compréhension des informations fournies par chaque technologie et sur la manière de les utiliser pour améliorer les inventaires d’émissions. En réunissant des spécialistes de la mesure, des analystes de données, des développeurs d’inventaires et des opérateurs, elle intègre plusieurs sources de preuves en une image cohérente des émissions de méthane.
Dans la pratique, lors de l’élaboration d’un inventaire des émissions de méthane pour les réservoirs non contrôlés, les seules mesures aériennes ne permettent pas de déterminer la fréquence ou la durée des émissions. L’EEMDL combine les résultats des mesures aériennes avec des calculs basés sur l’ingénierie, des données de surveillance continue et des informations contextuelles fournies par les opérateurs. Les moniteurs continus aident à caractériser la fréquence et la durée des événements de dégazage, tandis que les mesures aériennes fournissent des informations sur les taux d’émission. L’intégration de ces flux de données permet de former un inventaire plus précis des émissions des réservoirs.
Ravikumar envisage le succès comme la connexion des satellites, des mesures aériennes, des moniteurs continus, des données opérationnelles et des inventaires en une plateforme unique d’intelligence sur le méthane, aidant les parties prenantes à comprendre les émissions à différentes échelles spatio-temporelles. Cela permettrait de passer d’une gestion réactive du méthane à une réduction proactive et prédictive des émissions. L’intelligence artificielle et l’apprentissage automatique pourraient aider à prédire quand et où les émissions se produisent, permettant ainsi des alertes précoces et une maintenance prédictive. Au cours des cinq prochaines années, la réduction des émissions de méthane devient un élément central de l’avenir du gaz naturel. Les politiques pourraient passer de règles de type « command and control » à des cadres plus flexibles basés sur la performance, permettant d’atteindre des objectifs de réduction plus rentables grâce à de meilleures mesures et analyses.
