Effect of Additives and Fuel Blending on Emissions and Ash-Related Problems from Small-Scale Combustion of Reed Canary Grass
Notice bibliographique
Résumé
Agricultural producers are interested in using biomass available on farms to substitute fossil fuels for heat production. However, energy crops like reed canary grass contain high nitrogen (N), sulfur (S), potassium (K) and other ash-forming elements which lead to increased emissions of gases and particulate matter (PM) and ash-related operational problems (e.g., melting) during combustion. To address these problematic behaviors, reed canary grass was blended with wood (50 wt%) and fuel additives (3 wt%) such as aluminum silicates (sewage sludge), calcium (limestone) and sulfur (lignosulfonate) based additives. When burned in a top-feed pellet boiler (29 kW), the four blends resulted in a 17%–29% decrease of PM concentrations compared to pure reed canary grass probably because of a reduction of K release to flue gas. Nitrogen oxides (NOx) and sulfur dioxide (SO2) emissions varied according to fuel N and S contents. This explains the lower NOx and SO2 levels obtained with wood based products and the higher SO2 generation with the grass/lignosulfonate blend. The proportion of clinkers found in combustion ash was greatly lessened (27%–98%) with the use of additives, except for lignosulfonate. The positive effects of some additives may allow agricultural fuels to become viable alternatives.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».