MétaCan
Menu
Retour à la cohorte
Enregistrement W4200539784 · doi:10.1002/9781119713173.ch7

Renewable Energy Systems with Thermal Energy Storage

2021· other· en· W4200539784 sur OpenAlexaff
İbrahim Dinçer, Marc A. Rosen

Notice bibliographique

Revuenon disponible
Typeother
Langueen
DomaineEnergy
ThématiqueHybrid Renewable Energy Systems
Établissements canadiensOntario Tech University
Organismes subventionnairesnon disponible
Mots-clésRenewable energyEnergy storageIntermittent energy sourceEnvironmental scienceThermal energy storagePumped-storage hydroelectricityWind powerSolar energyCompressed air energy storageGrid energy storageEnergy developmentEnergy recoveryProcess engineeringThermal energyEnergy engineeringDistributed generationEnergy (signal processing)EngineeringElectrical engineeringPhysicsPower (physics)

Résumé

récupéré en direct d'OpenAlex

Diversifying energy supplies by employing renewable energy sources and integrating them with appropriate energy storage options can assist in shifting toward energy sustainability. Solar, wind, biomass, geothermal, and ocean sources are used commonly for providing electricity and heat. Energy storage technologies have become increasingly necessary for expanding the range of use and efficiency of the energy systems, given the intermittency of solar and wind energy sources. Thermal energy storage systems provide a useful option for energy systems, for integrating renewable energy sources and for achieving more efficient and sustainable systems. In chemical storage, energy storage occurs by taking advantage of the energy interactions associated with chemical reactions. The chapter presents three case studies to illustrate how energy storage can operate in conjunction with renewable energy systems. These include: solar energy system with thermal energy storage, solar energy-based system with compressed air energy storage, and combining wind and current turbines with pumped hydro storage.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,095

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,003
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0280,008

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 Opus0,009
Tête enseignante GPT0,195
Écart entre enseignants0,186 · 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'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHybrid Renewable Energy SystemsTravaux en français237 207