MétaCan
Menu
Retour à la cohorte
Enregistrement W2044767795 · doi:10.4067/s0718-221x2014005000011

Wood thermodegradation: experimental analysis and modeling of mass loss kinetics

2014· article· es· W2044767795 sur OpenAlexaff
Anélie Pétrissans, R. Younsi, Mounir Chaouch, Philippe Gérardin, Mathieu Pétrissans

Notice bibliographique

RevueMaderas Ciencia y tecnología · 2014
Typearticle
Languees
DomaineEngineering
ThématiqueThermochemical Biomass Conversion Processes
Établissements canadiensService de Recherche et d'EXpertise en Transformation des Produits ForestiersPolytechnique Montréal
Organismes subventionnairesAgence Nationale de la Recherche
Mots-clésBeechFagus sylvaticaAbies albaPyrolysisInert gasKineticsInertPinus <genus>HardwoodChemistryMaterials sciencePulp and paper industryEnvironmental scienceThermodynamicsBotanyPicea abiesComposite materialEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

In this study, heat treatment was carried out in a relatively low temperature (230˚C). Mass loss kinetics was studied using equipment, specially conceived to measure sample’s mass during the thermal treatment. Laboratory experiments were performed for heating rates of 1˚C min-1. Mathematical model for kinetics of pyrolysis process was used and validated. During the pyrolysis of dry wood samples under inert atmosphere, measurements of temperature distribution and dynamic weight loss were performed. Five different wood species Fagus sylvatica (Beech), Populus nigra (Poplar), Fraxinus excelsior (Ash), Pinus sylvestris (Pine) and Abies pectinata (Silver Fir) were investigated. The unsteady-state mathematical model equations were solved numerically using the commercial package Femlab 2.0. A detailed discussion of the computational model and the solution algorithm is given. The validity of different model assumptions was analyzed. Experimental results were compared with those calculated by the model. Acceptable agreement was achieved.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,213
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
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 Opus0,011
Tête enseignante GPT0,225
Écart entre enseignants0,213 · 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.

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

Citations31
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMaderas Ciencia y tecnologíaMême sujetThermochemical Biomass Conversion ProcessesTravaux en français237 207