MétaCan
Menu
Retour à la cohorte
Enregistrement W2942095661 · doi:10.3390/app9081627

Edible Oils as Practical Phase Change Materials for Thermal Energy Storage

2019· article· en· W2942095661 sur OpenAlexafffund
Samer Kahwaji, Mary Anne White

Notice bibliographique

RevueApplied Sciences · 2019
Typearticle
Langueen
DomaineEngineering
ThématiquePhase Change Materials Research
Établissements canadiensDalhousie University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésThermal energy storageCoconut oilMaterials scienceSupercoolingPhase changeThermalLatent heatEnvironmental sciencePulp and paper industryChemistryThermodynamicsFood scienceMeteorologyEngineeringGeography

Résumé

récupéré en direct d'OpenAlex

Edible oils could provide more accessible alternatives to other phase change materials (PCMs) for consumers who wish to build a thermal energy storage (TES) system with sustainable materials. Edible oils have good shelf life, can be acquired easily from local stores and can be less expensive than other PCMs. In this work, we explore whether margarine, vegetable shortening, and coconut oil are feasible PCMs, by investigations of their thermal properties and thermal stability. We found that margarine and vegetable shortening are not useful for TES due to their low latent heat of fusion, ΔfusH, and poor thermal stability. In contrast, coconut oil remained thermally stable after 200 melt-freeze cycles, and has a large ΔfusH of 105 ± 11 J g−1, a low degree of supercooling and a transition temperature, Tmpt = 24.5 ± 1.5 °C, that makes it very useful for TES in buildings. We also determined coconut oil’s heat capacity and thermal conductivity as functions of temperature and used the measured properties to evaluate the feasibility of coconut oil for thermal buffering and passive heating of a residential-scale greenhouse.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

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
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,097
Tête enseignante GPT0,366
Écart entre enseignants0,268 · 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

Citations96
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueApplied SciencesMême sujetPhase Change Materials ResearchTravaux en français237 207