MétaCan
Menu
Retour à la cohorte
Enregistrement W2124929150 · doi:10.5539/eer.v4n2p64

Influence of Biomass Pyrolysis Temperature, Heating Rate and Type of Biomass on Produced Char in a Fluidized Bed Reactor

2014· article· en· W2124929150 sur OpenAlexvenueno aff
Toshiyuki Iwasaki, Seiichi Suzuki, Toshinori Kojima

Notice bibliographique

RevueEnergy and Environment Research · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueThermochemical Biomass Conversion Processes
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPyrolysisCharSoftwoodBiomass (ecology)BagasseHardwoodFluidized bedPulp and paper industryMaterials scienceChemical engineeringChemistryComposite materialBotanyOrganic chemistryAgronomy

Résumé

récupéré en direct d'OpenAlex

Biomass pyrolysis experiments were carried out in a fluidized bed reactor (FBR) and produced char yields were measured for 3 kinds of softwoods, 3 kinds of hardwoods, 2 kinds of herbaceous plants and 3 kinds of agricultural residues. Pyrolysis temperature range was between 300 °C and 1200 °C, and heating rate was fast (100–1000 °C/s) or slow (10 °C/min). After the pyrolysis, produced char was collected with bed particles and only the char was separated from bed particles by sieving. Surface of the produced char was observed by SEM to confirm bed particles adhesion behavior on the surface of char. Char-bed particles (alumina particles) adhesion were observed mainly under fast pyrolysis condition for most of the biomass samples. Char yields by fast pyrolysis were much lower than those by slow pyrolysis of Eucalyptus camaldulensis (hardwood), Japanese cypress (softwood), Switchgrass (herbaceous plant) and Bagasse (agricultural residue), respectively. In the case of fast pyrolysis condition, char yields from softwood species were lower than those from other biomass species.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,016
Tête enseignante GPT0,242
Écart entre enseignants0,226 · 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 source (Gemma direct ou Codex distillé), 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

Citations19
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergy and Environment ResearchMême sujetThermochemical Biomass Conversion ProcessesTravaux en français237 207