MétaCan
Menu
Retour à la cohorte
Enregistrement W2322558444 · doi:10.1021/ef2018397

Process Optimization Guidance (POG and iPOG) for Mercury Emissions Control

2012· article· en· W2322558444 sur OpenAlexfundno aff
Balaji Krishnakumar, Stephen Niksa, Lesley L. Sloss, W. Jozewicz, Gunnar Futsæter

Notice bibliographique

RevueEnergy & Fuels · 2012
Typearticle
Langueen
DomaineMaterials Science
ThématiqueCatalytic Processes in Materials Science
Établissements canadiensnon disponible
Organismes subventionnairesShandong Academy of SciencesEuropean CommissionGovernment of Canada
Mots-clésMercury (programming language)Environmental scienceProcess (computing)Process engineeringProcess controlComputer scienceEngineering

Résumé

récupéré en direct d'OpenAlex

This paper introduces two new tools to quickly identify and assess a broad range of Hg emissions controls for utility gas cleaning systems worldwide. The Process Optimization Guidance (POG) document summarizes the available options for mercury control at most coal-fired power plants, covering everything from efficiency improvements and fuel switching through co-benefit effects (maximizing Hg capture in existing pollution control systems) to Hg-specific sorbent and oxidation technologies. The POG includes a “decision tree” concept that helps the reader determine the potential compliance strategies for particular coal-fired gas cleaning systems. The Interactive Process Optimization Guidance (iPOG) is a user-friendly software package that formalizes the “decision tree” concept in the POG document. It accurately estimates Hg removals and emissions rates for broad ranges of coal quality, the most common configurations for furnace firing and flue gas cleaning, and Hg controls, both inherent and external. Two case studies presented in this paper show its utility in addressing “What if...?” scenarios, in which the impact of adding Hg controls to existing cleaning systems can be quickly and conveniently evaluated. The iPOG supports compliance strategies based on coal cleaning and blending, stronger inherent Hg removal in new air pollution control units for NO x and SO x control, and dedicated external Hg controls, such as activated carbon injection (ACI) and halogen addition. This flexibility is compounded by minimal input data requirements and extremely fast execution times. This makes the iPOG useful for those who are new to the technicalities within the issue of Hg control, such as policy makers or even operators in developed countries or countries with economies in transition. Relative novices can “play” with the iPOG, selecting generic coals and simple plant design options, and then discover just how much simple changes in coal characteristics or plant operation may affect emissions. Being based on statistical regressions of an American Hg field test database and streamlined input data requirements, iPOG cannot possibly resolve differences among different Hg control strategies within the measurement uncertainties or depict the distinctive features of particular gas cleaning systems. Such limitations are especially pronounced whenever SO 3 adsorption interferes with Hg removal via ACI and also when distinctive selective catalytic reduction (SCR) design specifications strongly affect Hg 0 oxidation along a SCR catalyst monolith. Whereas the Hg removals for such situations are accurately predicted by previously reported reaction mechanisms, they are beyond the current scope of iPOG. However, the iPOG is fully capable of estimating Hg emissions from a preferred control scenario ahead of expert analysis.

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)0,003
score de la tête « metaresearch » (Gemma)0,010
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,080

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,010
Méta-épidémiologie (sens strict)0,0030,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0240,006

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 Opus0,012
Tête enseignante GPT0,268
Écart entre enseignants0,257 · 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

Citations13
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergy & FuelsMême sujetCatalytic Processes in Materials ScienceTravaux en français237 207