MétaCan
Menu
Retour à la cohorte
Enregistrement W3091852168

Non-Electric Applications to Help Reduce Environmental Impacts

2020· article· en· W3091852168 sur OpenAlexaboutno aff

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEnergy
ThématiqueHybrid Renewable Energy Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésElectricityCorporationEngineeringRenewable energyNuclear powerElectric powerManagementBusinessPower (physics)Electrical engineeringFinanceEconomics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Non-electric applications of nuclear energy beyond electricity are reviewed. These include cogeneration, district heating and cooling, high-temperature process heating, hydrogen and alternative fuel production, transportation and desalination. These additional applications expand the prospects for nuclear energy notably, and enhance the benefits that can be derived from it, such as reduced environmental impact and climate change mitigation. Biography: Marc A. Rosen is a Professor at the University of Ontario Institute of Technology in Oshawa, Canada, where he served as founding Dean of the Faculty of Engineering and Applied Science. Dr. Rosen was President of the Engineering Institute of Canada. A registered Professional Engineer in Ontario, he serves as Editor-in-Chief of several journals and as a Director of Oshawa Power and Utilities Corporation. With over 60 research grants and contracts and 900 publications, Dr. Rosen is active in sustainable energy, environmental impact, and energy technology (including renewable energy and efficiency). Much of his research has been carried out for industry, and he has written numerous books. Dr. Rosen has worked for such organizations as Imatra Power Company in Finland, Argonne National Laboratory near Chicago, and the Institute for Hydrogen Systems near Toronto. Dr. Rosen has received numerous awards and honors, and is a fellow of several societies and organizations

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,069
Score d'incertitude au seuil0,229

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0690,021

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 Opus0,013
Tête enseignante GPT0,230
Écart entre enseignants0,217 · 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'étudeSans objet
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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHybrid Renewable Energy SystemsTravaux en français237 207