MétaCan
Menu
Retour à la cohorte
Enregistrement W2756874373 · doi:10.1021/acs.energyfuels.7b01833

Kinetic Model of Steam Gasification of Biomass in a Dual Fluidized Bed Reactor: Comparison with Pilot-Plant Experimental Results

2017· article· en· W2756874373 sur OpenAlexafffund
Bijan Hejazi, John R. Grace, Xiaotao Bi, Andrés Mahecha‐Botero

Notice bibliographique

RevueEnergy & Fuels · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueThermochemical Biomass Conversion Processes
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCarbon Management CanadaBioFuelNet Canada
Mots-clésWood gas generatorFluidized bedtar (computing)PyrolysisBiomass (ecology)Waste managementCrackingNuclear engineeringEnvironmental scienceFluidized bed combustionProcess engineeringMaterials scienceChemical engineeringChemistryCoalEngineeringOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

By incorporating reaction kinetics and reactor hydrodynamics, a steady-state two-phase one-dimensional reactor model for biomass steam gasification in the bubbling fluidized bed gasifier of a dual fluidized bed reactor is developed. The generic two-step kinetic model adopted for biomass pyrolysis allows for prediction of tar generation and cracking, as well as predicting pyrolysis product yield and composition based on CHO elemental balances. This model is capable of predicting species concentrations, solids holdup, temperature, pressure, and superficial gas velocity profiles along the gasifier. By performing mass and energy balances over the two interconnected fluidized beds, key operating parameters such as solids circulation rate and additional fuel required for stable operation of the process are approximated. This predictive reactor model, which will provide a useful tool for designing, evaluating, and improving a dual fluidized bed gasifier, is compared with experimental data from the pilot dual fluidized bed gasification unit at the University of British Columbia.

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 enseignants0,003
Score d'incertitude au seuil0,546

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 Opus0,029
Tête enseignante GPT0,243
Écart entre enseignants0,214 · 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

Citations27
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergy & FuelsMême sujetThermochemical Biomass Conversion ProcessesTravaux en français237 207