MétaCan
Menu
Retour à la cohorte
Enregistrement W4308178466 · doi:10.1088/1748-9326/acbdb2

Climate change on extreme winds already affects off-shore wind power availability in Europe

2023· article· en· W4308178466 sur OpenAlexaff
Lia Rapella, Davide Faranda, Marco Gaetani, Philippe Drobinski, Mireia Ginesta

Notice bibliographique

RevueEnvironmental Research Letters · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueWind Energy Research and Development
Établissements canadiensImpact
Organismes subventionnairesErasmus+Commissariat à l'Énergie Atomique et aux Énergies AlternativesAgence Nationale de la RechercheInstitut Polytechnique de ParisUniversità degli Studi di PaviaEuropean Commission
Mots-clésWind powerWind speedEnvironmental scienceRenewable energyShoreMaximum sustained windClimate changeMeteorologyTurbineExtreme weatherWind profile power lawClimatologyAtmospheric sciencesGeographyWind gradientEngineeringGeologyOceanography

Résumé

récupéré en direct d'OpenAlex

Abstract Off-shore wind energy in Europe plays a key role in the transition to renewable energy, and its usage is expected to increase in the next few decades. According to the working regimes of a wind turbine, wind energy production can be disrupted by extreme atmospheric events related to low wind speed below the cut-in wind speed and high wind speed above the cut-out wind speed. The purpose of this work is to estimate the behavior of extreme winds on the European panorama, over the period 1950–2020, in order to investigate the large-scale weather regimes related to them and their impact on off-shore wind energy availability. We detected significant changes in the frequency of high and low extreme wind events, proving that climate change or long-term internal climate variability have already affected the off-shore wind power output. Moreover, the analysis of weather regimes showed that high and low extreme wind events can occur simultaneously over Europe. Our results suggest the necessity to implement efficient European energy management policies, to minimize the deficit in wind power supply.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
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 savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,061
Tête enseignante GPT0,274
Écart entre enseignants0,213 · 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'étudeObservationnel
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

Citations37
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnvironmental Research LettersMême sujetWind Energy Research and DevelopmentTravaux en français237 207