MétaCan
Menu
Retour à la cohorte
Enregistrement W3157089916 · doi:10.1021/acs.energyfuels.1c00359

Review on Hydrate-Based CH<sub>4</sub> Separation from Low-Concentration Coalbed Methane in China

2021· article· en· W3157089916 sur OpenAlexaff
Xi‐Yue Li, Bin‐Bin Ge, Jin Yan, Yiyu Lu, Dong‐Liang Zhong, Peter Englezos, Baoyong Zhang

Notice bibliographique

RevueEnergy & Fuels · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMethane Hydrates and Related Phenomena
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésCoalbed methaneHydrateMethaneClathrate hydrateSeparation (statistics)Petroleum engineeringChinaEnvironmental scienceChemistryMaterials scienceMineralogyChromatographyGeologyCoalMathematicsOrganic chemistryStatisticsGeographyCoal mining

Résumé

récupéré en direct d'OpenAlex

The consumption of natural gas is of great importance to optimize China’s energy structure toward reduced CO2 emissions and is projected to increase in the next 10 years. Coalbed methane (CBM) is a primary unconventional natural gas and has been recognized as a significant energy resource to supplement conventional fossil fuels (oil and coal) as a result of its huge potential. It has been established that the hydrate-based gas separation is a promising method for the purification of low-concentration coalbed methane (LCCBM). In this work, the research on hydrate-based CH4 separation from LCCBM conducted by Chinese researchers over the past 10 years has been reviewed. It is found that significant progress has been made to understand the hydrate-based CH4 separation technology. On the other hand, the challenges related to achieving milder pressure operating conditions and enhancing the rate of hydrate formation should be overcome. Hence, further work is required to bridge the gap between the gas separation science and the technology. In this regard, future research directions are proposed in this work to help advance the research of hydrate-based CH4 separation from LCCBM.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,019
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

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

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 Opus0,008
Tête enseignante GPT0,231
Écart entre enseignants0,222 · 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 tête enseignante, pas un consensus.

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

Citations50
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergy & FuelsMême sujetMethane Hydrates and Related PhenomenaTravaux en français237 207