MétaCan
Menu
Retour à la cohorte
Enregistrement W3023206490 · doi:10.3390/en13092279

A Smart Hybrid Energy System Grid for Energy Efficiency in Remote Areas for the Army

2020· article· en· W3023206490 sur OpenAlexaff
Umberto Berardi, Elisa Tomassoni, Khaled Khaled

Notice bibliographique

RevueEnergies · 2020
Typearticle
Langueen
DomaineEnergy
ThématiqueHybrid Renewable Energy Systems
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésMicrogridRenewable energyEnergy storageScalabilitySmart gridElectricityAutomotive engineeringComputer scienceEnergy managementEnvironmental economicsPower (physics)EngineeringEnergy (signal processing)Electrical engineeringDatabase

Résumé

récupéré en direct d'OpenAlex

The current energy inefficiencies in relocatable temporary camps of the Armed Force troops create logistic challenges associated with fuel supply. The energy needs of these camps are primarily satisfied by diesel engine generators, which imply that a significant amount of fuel needs to be continuously provided to these camps, often built in remote areas. This paper presents an alternative solution, named Smart Hybrid Energy System (SHES), aiming towards significantly reducing the amount of fuel needed and minimizing transportation logistics while meeting camp energy demands. The SHES combines the existing diesel generators with solar power generation, energy storage, and waste heat recovery technologies, all connected to a microgrid, ensuring uninterrupted electricity and hot water supplies. All components are controlled by an energy management system that prioritizes output and switches between different power generators, ensuring operation at optimum efficiencies. The SHES components have been selected to be easily transportable in standard shipping 20 ft containers. The modularity of the solution, scalable from the base camp for 150 people, is designed according to available on-site renewable sources, allowing for energy optimization of different camp sizes in different climates.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,025

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 savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0080,002

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 Opus0,017
Tête enseignante GPT0,221
Écart entre enseignants0,204 · 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

Citations31
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergiesMême sujetHybrid Renewable Energy SystemsTravaux en français237 207