MétaCan
Menu
Retour à la cohorte
Enregistrement W3120700781 · doi:10.1021/acs.energyfuels.0c03674

A Review of Unique Aluminum–Water Based Hydrogen Production Options

2021· review· en· W3120700781 sur OpenAlexafffund
Andre Bolt, İbrahim Dinçer, Martin Agelin‐Chaab

Notice bibliographique

RevueEnergy & Fuels · 2021
Typereview
Langueen
DomaineMaterials Science
ThématiqueHydrogen Storage and Materials
Établissements canadiensOntario Tech University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésHydrogen productionHydrogenAluminum oxideAluminiumSodium hydroxideHydroxideOxideChemical engineeringProduction rateYield (engineering)Materials scienceProcess engineeringChemistryInorganic chemistryMetallurgyOrganic chemistryEngineering

Résumé

récupéré en direct d'OpenAlex

This comprehensive review paper compares the different methods developed experimentally to produce hydrogen by reacting aluminum and water. The alumina oxide layer which forms on the exterior surface of aluminum inhibits the reaction from taking place. Therefore, this paper presents a variety of techniques used to eliminate the oxide layer so that the reaction can continuously take place. The review paper aims to evaluate these techniques by comparing the hydrogen yield and maximum hydrogen production rate. On the basis of the analyses conducted, it was identified that the addition of hydroxide promoters, such as NaOH and KOH, is highly beneficial. This was also evident in the various studies where yields greater than 99% are achieved. Additionally, it is determined that the addition of NaCl or KCl to ball-milled samples of aluminum can be extremely advantageous when examining the maximum hydrogen production rate. For instance, an experimental sample composed of 2% NaCl was able to achieve a maximum hydrogen production rate of 1140 mL/min. Furthermore, numerous other studies are discussed by considering their specific advantages and disadvantages.

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: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,003

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 Opus0,038
Tête enseignante GPT0,306
Écart entre enseignants0,267 · 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
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations85
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergy & FuelsMême sujetHydrogen Storage and MaterialsTravaux en français237 207