MétaCan
Menu
Retour à la cohorte
Enregistrement W2753810949 · doi:10.1021/acs.energyfuels.7b01263

Development and Validation of a Process Model To Describe Pyrolysis of Forestry Residues in an Auger Reactor

2017· article· en· W2753810949 sur OpenAlexafffund
Sadegh Papari, Kelly Hawboldt

Notice bibliographique

RevueEnergy & Fuels · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueThermochemical Biomass Conversion Processes
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesBioFuelNet CanadaNatural Resources CanadaCanada Foundation for InnovationDepartment of Natural Resources, Government of Newfoundland and Labrador
Mots-clésCharPlug flow reactor modelPyrolysisNuclear engineeringAugerProcess (computing)Process engineeringYield (engineering)Flow (mathematics)Volumetric flow rateChemistryContinuous stirred-tank reactorMaterials scienceThermodynamicsMechanicsMechanical engineeringEngineeringComputer sciencePhysicsOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

In this study, a process model for an auger-style biomass pyrolysis reactor is developed to use as a tool in process optimization and scaleup. The plug-flow model for both solid and gas phases is assumed. A comparison between the kinetic models widely used in the literature to the experimental data was performed to determine the “best” kinetic model for our system. The transport equations for each phase are combined with the kinetic model to predict bio-oil, char, and non-condensable gas yields. The applied model was validated with experimental data from a 2–4 kg/h pilot-scale auger reactor. This reactor uses steel shot as a heat carrier and without carrier gas. The results show good agreement between experimental data and model prediction. The model was used to predict the yield of bio-oil as a function of the temperature, feed flow rate, and reactor pressure. These simulations indicate that the model is a useful tool in design and scaleup of auger-type pyrolysis reactors using a heat carrier.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,005
Score d'incertitude au seuil0,341

Scores Codex et Gemma par catégorie

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

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 Opus0,024
Tête enseignante GPT0,248
Écart entre enseignants0,224 · 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 tête enseignante, 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

Citations22
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergy & FuelsMême sujetThermochemical Biomass Conversion ProcessesTravaux en français237 207