MétaCan
Menu
Retour à la cohorte
Enregistrement W3189565541 · doi:10.14447/jnmes.v24i2.a01

PEM Fuel Cell Hydrogen Support Using PV-Electrolyzer Generation System

2021· article· en· W3189565541 sur OpenAlexvenueno aff
Hamza Bahri, Abdelghani Harrag

Notice bibliographique

RevueJournal of New Materials for Electrochemical Systems · 2021
Typearticle
Langueen
DomaineEnergy
ThématiqueHybrid Renewable Energy Systems
Établissements canadiensnon disponible
Organismes subventionnairesMinistère de l'Education Nationale, de l'Enseignement Superieur et de la Recherche
Mots-clésPolymer electrolyte membrane electrolysisRenewable energyPower to gasElectrolysisElectrolysis of waterHydrogen productionAlkaline water electrolysisEnvironmental scienceHydrogen fuelEnergy carrierPhotovoltaic systemProton exchange membrane fuel cellElectricityProcess engineeringWaste managementHydrogenElectrolyteChemistryEngineeringFuel cellsChemical engineeringElectrical engineeringElectrode

Résumé

récupéré en direct d'OpenAlex

In consequence of increasing global energy consumption, the environmental problems such as pollution and the drain of conventional energy resources such as coal, gas and liquefied petrol. To tame this by implementing seeming technology of renewable energy, hydrogen is one of the promising alternative fuels for the future because it has the capability of storing energy of high quality. Therefore, the hydrogen has been visualized to become the cornerstone of future energy systems. It is produced from water electrolysis under electrochemical interaction. Water electrolyzer converts electricity into chemical energy which produces hydrogen and oxygen; this can be achieved by passing DC electric current between two electrodes separated by electrolyte. The direct electric current is delivered by source renewable energy, photovoltaic or wind system. In this paper the different parts of indirect coupling PV with alkaline electrolyzer for hydrogen production have been studied and investigated using Matlab Simulink environment. The developed models allow us the analysis of current-voltage characteristics for both systems PV and Electrolyzer, respectively, as well as the principal parameters affecting the performance of the alkaline electrolyzer.

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)0,001
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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,023
Tête enseignante GPT0,245
Écart entre enseignants0,221 · 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

Citations9
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of New Materials for Electrochemical SystemsMême sujetHybrid Renewable Energy SystemsTravaux en français237 207