Optimization of binder addition and compression load for pelletization of wheat straw using response surface methodology.
Notice bibliographique
Résumé
Abstract: Densification is required for efficiently handling and transporting biomass as feedstock for biofuel production. Binders can enhance straw pellet strength and improve the pellet performance. The present investigation aimed to optimize binders and compression load for wheat straw pelletization using a single pelleting unit. Response surface methodology was employed by using a four-factor, five-level central composite design with wood residue (%, w/w), bentonite (%, w/w), crude glycerol (%, w/w), and compression load (N) as process parameters. The pellet tensile strength, specific energy consumption of pelleting, and pellet density were the response variables. The higher heating value, ash content of the pellet product and the cost of the feedstock were also considered in optimizing binder addition. The developed model fitted the data and was adequate for binder analysis and optimization. Wheat straw pellet, with the addition of 30% wood residue, 0.80% bentonite, and 3.42% crude glycerol, in addition to 4 000 N of compressive load, was identified as optimal with good performance of pellet tensile strength (1.14 MPa), specific energy consumption (32.6 kJ/kg), and pellet density (1 094 kg/m3) as well as low ash content (6.13%) and high heating value (18.64 MJ/kg). Confirmation tests indicated high accuracy of the model. Keywords: biomass, wheat straw pellet, binder, wood residue, bentonite, crude glycerol, RSM, compression load DOI: 10.3965/j.ijabe.20140706.009 Citation: Lu D H, Tabil L G, Wang D C, Wang G H, Wang Z Q. Optimization of binder addition and compression load for pelletization of wheat straw using response surface methodology. Int J Agric & Biol Eng, 2014; 7(6): 67－78.
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) | 0,000 | 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 ».