MétaCan
Menu
Retour à la cohorte
Enregistrement W3213905981 · doi:10.1016/j.ecmx.2021.100131

A techno-economic assessment of biomethane and bioethanol production from crude glycerol through integrated hydrothermal gasification, syngas fermentation and biomethanation

2021· article· en· W3213905981 sur OpenAlexafffund
Jude A. Okolie, Meshach E. Tabat, Burcu Gunes, Emmanuel I. Epelle, Alivia Mukherjee, Sonil Nanda, Ajay K. Dalai

Notice bibliographique

RevueEnergy Conversion and Management X · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueBiofuel production and bioconversion
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesCanada Excellence Research Chairs, Government of CanadaNatural Sciences and Engineering Research Council of CanadaCanada Research Chairs
Mots-clésBiofuelSyngasBiogasHydrothermal liquefactionWaste managementEnvironmental scienceBiomass (ecology)Renewable energyPulp and paper industryBioenergyEngineeringChemistry

Résumé

récupéré en direct d'OpenAlex

Bioethanol is widely perceived as a clean fuel that can be used directly as automobile fuel or blended with petrol without engine modification. Similarly, biomethane can be used as an environmentally friendly substitute to natural gas for diverse applications such as transportation, heating, and electricity generation. Recently, there has been a growing interest in the cost-effective and sustainable production of both these biofuels. The present study reveals a conceptual design for biomethane and bioethanol production from crude glycerol obtained from the biodiesel industry. The techno-economic feasibility of three different scenarios was assessed. Scenario 1 is based on bioethanol production by coupling hydrothermal gasification and syngas fermentation. Scenario 2 consists of hydrothermal gasification, syngas fermentation, and CO2 capture unit. In scenario 3, biomethanation and electrolytic unit were added to scenario 2 to convert CO2 to biomethane. The energy efficiency of the scenarios examined ranges from 30.2% to 35.1%. Scenario 3 had the highest energy efficiency of 35.1%. Moreover, the minimum selling price of bioethanol declined in the following order: scenario 2 (USD $1.4 per liter) > scenario 1 (USD $1.32 per liter) > scenario 3 (USD $0.31 per liter). The discounted cash flow analysis results indicated that scenario 3 is the most profitable because of its non-discounted net present value of USD $34.9 million compared to the other case studies. Sensitivity analysis reveals that electricity and glycerol cost had the most effect on the minimum selling price of bioethanol.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
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 Opus0,011
Tête enseignante GPT0,235
Écart entre enseignants0,224 · 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'étudeSimulation ou modélisation
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

Citations46
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergy Conversion and Management XMême sujetBiofuel production and bioconversionTravaux en français237 207