Advanced Coal Characterization: A Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Coal is highly heterogeneous in nature, and for this reason, several analytical techniques are needed for its characterization so as to accurately predict its behavior during conversion processes such as combustion, gasification, or liquefaction. Conventional analyses such as proximate analysis, ash analysis, and ash fusion temperatures assume coal as a homogeneous material and provide only bulk properties. The performance correlations based on these analyses are unable to describe adequately the impact of coal quality on conversion efficiencies and plant performance. A number of advanced bulk analytical techniques, such as FTIR and 13C NMR, provide information on the organic structure of coal. Chemical fractionation technique provides information on the inorganic matter present in coal in a form other than mineral grains. Bulk analysis techniques such as XRD and SIROQUANT provide information on the types of minerals present in coal. Thermomechanical analysis (TMA)an advanced bulk analytical techniqueprovides detailed thermal behavior of ash relevant to power-plant operations. Several advanced characterization techniques have emerged recently which consider pulverized coal as a heterogeneous material made up of individual particles and are able to examine these coal particles in much greater detail. An automated reflectogram (AR) technique provides a variation of reflectivitya measure of heterogeneity in the organic part. A computer-controlled scanning electron microscopy (CCSEM) analysis technique has been developed over the last 25 years to provide much more detailed information on mineral matter in coal and mineral−coal associations in pulverized coal. The paper discusses the details of these techniques and how the analysis from these techniques is used in modeling procedures to provide a better understanding of coal conversion behavior.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle