MétaCan
Menu
Retour à la cohorte
Enregistrement W3209246400 · doi:10.3390/app112110350

A Latent Heat Storage System for Low-Temperature Applications: From Materials Selection to Prototype Performances

2021· article· en· W3209246400 sur OpenAlexaff
Didier Haillot, Yasmine Lalau, Erwin Franquet, Sacha Rigal, Frédéric Jay, Jean-Pierre Bédécarrats

Notice bibliographique

RevueApplied Sciences · 2021
Typearticle
Langueen
DomaineEngineering
ThématiquePhase Change Materials Research
Établissements canadiensÉcole de Technologie Supérieure
Organismes subventionnairesAgence Nationale de la Recherche
Mots-clésThermal energy storageProcess engineeringLatent heatWaste heatPhase-change materialMaterials scienceWaste heat recovery unitWork (physics)Energy storageThermal conductivityDimensioningEnvironmental scienceRange (aeronautics)Phase changeMechanical engineeringThermodynamicsEngineeringComposite materialEngineering physicsHeat exchanger

Résumé

récupéré en direct d'OpenAlex

The industrial sector is increasingly obliged to reduce its energy consumption and greenhouse gases emissions to contribute to the world organizations’ targets in energy transition. An energy efficiency solution lies in the development of thermal energy storage systems, which are notably lacking in the low-temperature range (50–85 °C), for applications such as district heating or low-temperature waste heat recovery. This work aims to bring a latent heat storage solution from material selection to prototype evaluation. The first part of this paper is dedicated to the characterization and aging of a phase change material selected from a screening of the literature (fatty acid mixture mainly composed by stearic and palmitic acid). Then, this material is encapsulated and tested in a prototype whose performances are evaluated under various operating conditions. Finally, a numerical model validated by the experimental results is used to explore the influence of a wider range of operating conditions, dimensioning choices, and material conductivity improvements.

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 candidatesaucune
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 enseignants0,003
Score d'incertitude au seuil0,438

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)0,0000,000

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 Opus0,026
Tête enseignante GPT0,275
Écart entre enseignants0,248 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied SciencesMême sujetPhase Change Materials ResearchTravaux en français237 207