MétaCan
Menu
Retour à la cohorte
Enregistrement W2180768880 · doi:10.1115/icone22-30151

Power Cycles of Generation III and III+ Nuclear Power Plants

2014· article· en· W2180768880 sur OpenAlexaff
Alexey Dragunov, Eugene Saltanov, Igor Pioro, P. L. Kirillov, Romney B. Duffey

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueIntegrated Energy Systems Optimization
Établissements canadiensOntario Tech University
Organismes subventionnairesnon disponible
Mots-clésNuclear powerElectricity generationRenewable energyEnvironmental scienceThermal power stationFossil fuelCoalNuclear engineeringWind powerElectric powerEnergy developmentGeothermal gradientWaste managementProcess engineeringEngineeringPower (physics)Electrical engineeringPhysicsNuclear physics

Résumé

récupéré en direct d'OpenAlex

It is well known that the electrical-power generation is the key factor for advances in any other industries, agriculture and level of living. In general, electrical energy can be generated by: 1) non-renewable-energy sources such as coal, natural gas, oil, and nuclear; and 2) renewable-energy sources such as hydro, wind, solar, biomass, geothermal and marine. However, the main sources for electrical-energy generation are: 1) thermal - primary coal and secondary natural gas; 2) “large” hydro and 3) nuclear. The rest of the energy sources might have visible impact just in some countries. Modern advanced thermal power plants have reached very high thermal efficiencies (55–62%). In spite of that they are still the largest emitters of carbon dioxide into atmosphere. Due to that, reliable non-fossil-fuel energy generation, such as nuclear power, becomes more and more attractive. However, current Nuclear Power Plants (NPPs) are way behind by thermal efficiency (30–42%) compared to that of advanced thermal power plants. Therefore, it is important to consider various ways to enhance thermal efficiency of NPPs. The paper presents comparison of thermodynamic cycles and layouts of modern NPPs and discusses ways to improve their thermal efficiencies.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
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 savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,005
Tête enseignante GPT0,173
Écart entre enseignants0,169 · 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'étudeSimulation ou modélisation
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

Citations5
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetIntegrated Energy Systems OptimizationTravaux en français237 207