MétaCan
Menu
Retour à la cohorte
Enregistrement W4281716105 · doi:10.1071/aj21305

Concurrent 2. Presentation for: Feasibility study of adiabatic compressed air energy storage in porous reservoirs

2022· article· en· W4281716105 sur OpenAlexaff
Jason Czapla

Notice bibliographique

RevueThe APPEA Journal · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueIntegrated Energy Systems Optimization
Établissements canadiensKensington Health
Organismes subventionnairesnon disponible
Mots-clésCompressed air energy storageEnergy storageEnvironmental scienceRenewable energyWind hybrid power systemsCompressed airPumped-storage hydroelectricityPetroleum engineeringProcess engineeringWaste managementEngineeringDistributed generationElectrical engineeringMechanical engineeringPower (physics)

Résumé

récupéré en direct d'OpenAlex

Presented on Tuesday 17 May: Session 2 The Australian electricity sector is undergoing a transformation in which variable renewable energy (VRE) is becoming a dominant generator. VRE sources such as wind and solar have intermittent generation profiles influenced by weather and climate with daily and seasonal variations. To support high penetration rates of VRE, energy storage is required to store energy during times of oversupply and discharge energy during times of under supply. Compressed Air Energy Storage (CAES) is a promising, economic technology to compliment battery and Pumped Hydro by providing storage over a medium duration (4–12 h). CSIRO and MAN-ES conducted a feasibility study on Adiabatic-CAES (A-CAES) based on the premise of storing compressed air in a permeable subsurface reservoir (i.e. depleted gas reservoir). The design assumptions regarding the storage reservoir are based on previous work conducted on behalf of Pacific Gas and Electric (PG&E) which consisted of drilling test wells and conducting air injection and withdrawal tests to determine suitability for a 300 MW-10 h facility. The plant design and equipment are based on commercially available components. This work found that A-CAES has the potential to achieve >60% round trip efficiency and provide levelised cost of storage (LCOS) as low as ~A$108/MWh. To access the presentation click the link on the right. To read the full paper click here

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 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 enseignants0,020
Score d'incertitude au seuil0,354

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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)0,0000,000

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 GPT0,255
Écart entre enseignants0,232 · 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'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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe APPEA JournalMême sujetIntegrated Energy Systems OptimizationTravaux en français237 207