MétaCan
Menu
Retour à la cohorte
Enregistrement W3175504247 · doi:10.3934/energy.2021036

Hydrogen economy transition plan: A case study on Ontario

2021· article· en· W3175504247 sur OpenAlexaffabout
Faris Elmanakhly, Andre DaCosta, Brittany Berry, Robert Stasko, Michael Fowler, Xiaoyu Wu

Notice bibliographique

RevueAIMS energy · 2021
Typearticle
Langueen
DomaineEnergy
ThématiqueHybrid Renewable Energy Systems
Établissements canadiensHydrogenics (Canada)University of Waterloo
Organismes subventionnairesnon disponible
Mots-clésHydrogen economyHydrogen technologiesHydrogen vehicleRenewable energyGreenhouse gasEnvironmental scienceHydrogen productionSoftware deploymentPower to gasHydrogenWaste managementEnergy carrierBusinessEnvironmental economicsHydrogen fuelEngineeringEconomicsChemistry

Résumé

récupéré en direct d'OpenAlex

<abstract> A shift towards a "hydrogen economy" can reduce carbon emissions, increase penetration of variable renewable power generation into the grid, and improve energy security. The deployment of hydrogen technologies promises major contributions to fulfilling the economy's significant energy needs while also reducing urban pollution emissions and the overall carbon footprint and moving towards a circular economy. Using the Canadian province of Ontario as an example, this paper prioritizes certain recommendations for near-term policy actions, setting the stage for long-term progress to reach the zero-emissions target by 2050. To roll out hydrogen technologies in Ontario, we recommend promptly channeling efforts into deployment through several short-, mid-, and long-term strategies. Hydrogen refueling infrastructure on Highway 401 and 400 Corridors, electrolysis for the industrial sector, rail infrastructure and hydrogen locomotives, and hydrogen infrastructure for energy hubs and microgrids are included in strategies for the near term. With this infrastructure, more Class 8 large and heavy vehicles will be ready to be converted into hydrogen fuel cell power in the mid-term. Long-term actions such as Power-to-Gas, hydrogen-enriched natural gas, hydrogen as feedstock for products (e.g., ammonia and methanol), and seasonal and underground storage of hydrogen will require immediate financial and policy support for research and technology development. </abstract>

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 candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,891
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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)0,0010,000

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 Opus0,020
Tête enseignante GPT0,217
Écart entre enseignants0,197 · 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'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

Citations23
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAIMS energyMême sujetHybrid Renewable Energy SystemsTravaux en français237 207