MétaCan
Menu
Retour à la cohorte
Enregistrement W3146797162 · doi:10.3390/en14072018

Cleaning of Floating Photovoltaic Systems: A Critical Review on Approaches from Technical and Economic Perspectives

2021· review· en· W3146797162 sur OpenAlexaff
Rafi Zahedi, Parisa Ranjbaran, Gevork B. Gharehpetian, Fazel Mohammadi, Roya Ahmadiahangar

Notice bibliographique

RevueEnergies · 2021
Typereview
Langueen
DomaineEnergy
ThématiquePhotovoltaic System Optimization Techniques
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésPhotovoltaic systemEnvironmental scienceEvaporationEnvironmental engineeringWater resourcesProcess engineeringEngineeringMeteorologyElectrical engineeringGeography

Résumé

récupéré en direct d'OpenAlex

There are some environmental factors, such as ambient temperature, dust, etc., which cause a reduction in the efficiency of Photovoltaic (PV) systems. Installation of PV panels on the water surface, commonly known as Floating Photovoltaic (FPV) systems, is one solution to employ PV panels in a cooler environment, achieve higher efficiency, and reduce water evaporation. FPV systems open up new opportunities for scaling up solar generating capacity, especially in countries with high population density and valuable lands, as well as countries with high evaporation rates and water resources deficiency. Since the FPV system is an almost new concept, its cleaning techniques have not been comprehensively studied. While FPV systems are located on the surface of water resources and reservoirs, the water quality can limit the application of different cleaning techniques. Therefore, this paper investigates different techniques of FPV systems cleaning and categorizes them into water-based and water-free approaches. In addition, their cleaning frequencies, as well as economic aspects, are presented and discussed to determine their merits and demerits for using them in FPV systems.

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)0,001
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 enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0030,004
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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 Opus0,094
Tête enseignante GPT0,329
Écart entre enseignants0,235 · 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

Citations72
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergiesMême sujetPhotovoltaic System Optimization TechniquesTravaux en français237 207