MétaCan
Menu
Retour à la cohorte
Enregistrement W2025874270 · doi:10.4028/www.scientific.net/amr.906.142

Recent Development of Biomass Fast Pyrolysis Technology and Bio-Oil Upgrading: An Overview

2014· article· en· W2025874270 sur OpenAlexfundno aff
Nurul Suhada Ab Rasid, Mohammad Asadullah

Notice bibliographique

RevueAdvanced materials research · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueThermochemical Biomass Conversion Processes
Établissements canadiensnon disponible
Organismes subventionnairesUniversiti Teknologi MARAUniversity of Waterloo
Mots-clésRenewable energyPyrolysisBiomass (ecology)Fossil fuelRaw materialWaste managementRenewable fuelsEnvironmental scienceProcess engineeringLiquid fuelPyrolysis oilEngineeringCombustionChemistry

Résumé

récupéré en direct d'OpenAlex

The increasing demand of energy has led to the development of renewable energy in order to mitigate the dependency of fossil fuels. Fast pyrolysis of biomass is one of the most anticipated renewable energy technologies since it has a huge potential to become the efficient, environmentally sustainable, and cost effective technology for energy. Fast pyrolysis process produces liquid bio-oil as a main product, along with solid char and combustible gas. Bio-oil can be utilized for heat and power generation as well as it can be used as a feedstock for pure chemicals production. Over the last decades, numerous researches have been conducted in order to develop the process in terms of reactor design and process optimization in order to achieve the high yield of liquid with high organics and less water content. The aim of this review is to provide the state of the art on fast pyrolysis of biomass with some suggestions presented on upgrading the bio-oil. Based on the recent reactor configurations, current status of biomass fast pyrolysis in commercial scale around the world, the fuel and chemical characteristic of bio-oil compared to the conventional fossil fuels, and the potential application of bio-oil in the future, some recommendations are proposed.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,238
Score d'incertitude au seuil0,547

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,043
Tête enseignante GPT0,323
Écart entre enseignants0,280 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvanced materials researchMême sujetThermochemical Biomass Conversion ProcessesTravaux en français237 207