Water absorption thermodynamics in single wood pellets modelled by multivariate near-infrared spectroscopy
Notice bibliographique
Résumé
Abstract Samples of wood pellets were adjusted into six water content classes from 0% to 12%. The water content in single pellets varied between 0.1% and 14.2%. Three equations were constructed to estimate the differential heat of sorption (- ΔH ) values from (1) fractal-geometry, (2) isosteric, and (3) calorimetric data. The ranges in calculated - ΔH of single pellets were (1) 133–1475, (2) 315–881, and (3) 195–1188 J g -1 water, respectively, across the studied moisture content range. Partial least squares regression was used to model near-infrared (NIR) spectra from single pellets and to predict - ΔH values and water content. The explained variation in test sets for the different models ranged from 97.1% to 99.9%. The shifts in peak absorbance for two water bands indicated that frequency in overtone vibration of O-H stretching and bending decreased, when water content was raised. Simulations of mixes between pellets of differential heat values showed that released heat was up to 0.03% of the gross calorific value of wood pellets. This heat may be a major contributor to initial temperature increases in pellet stacks during storage. The results indicate that on-line NIR based predictions of differential heat in wood pellets is possible to apply in the pellet industry.
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 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) | 0,000 | 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) | 0,002 | 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 tête enseignante, 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 ».