MétaCan
Menu
Retour à la cohorte
Enregistrement W4319588761 · doi:10.1115/imece2022-94821

Efficient Solar Thermochemical Hydrogen Production in a Reactor Train System With Thermochemical Oxygen Removal

2022· article· en· W4319588761 sur OpenAlexaff
Aniket S. Patankar, Xiaoyu Wu, Wonjae Choi, Harry L. Tuller, Ahmed F. Ghoniem

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueChemical Looping and Thermochemical Processes
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésHydrogenHydrogen productionOxygenNuclear engineeringProcess engineeringWork (physics)ChemistryMaterials scienceThermodynamicsEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

Abstract Solar Thermochemical Hydrogen Production (STCH) is a promising technology that uses high-temperature heat directly to split water. The authors have previously proposed a Reactor Train System (RTS) that addresses the largest source of inefficiency in state-of-the-art STCH systems — solid heat recovery — by using multiple moving reactors that exchange heat radiatively between STCH steps. In this work, another major source of inefficiency — oxygen removal during metal reduction — is addressed. Two oxygen pumping schemes are considered — vacuum pumping (VP) and thermochemical oxygen pumping (TcOP). For vacuum pumping, the modularity of RTS enables a ‘Pressure Cascade’ which reduces pumping work by a factor of four and the capex by a factor of five as compared to a single-step VP scheme. The optimized RTS + VP system achieves 31% heat-to-hydrogen conversion efficiency with ceria despite the low efficiency of vacuum pumps at low pressures. Thermochemical Oxygen Pumping (TcOP) uses a second redox material — SrFeO3 — to pump oxygen. This material is transported in reactors moving in the opposite direction to the main RTS train. The optimized RTS + TcOP achieves morethan 40% heat-to-hydrogen efficiency, while producing twice as much hydrogen per kilogram of ceria as the RTS + VP system.

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 candidatesMéta-épidémiologie (sens strict)
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 enseignants0,028
Score d'incertitude au seuil1,000

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 recherche0,0000,001
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 Opus0,007
Tête enseignante GPT0,181
Écart entre enseignants0,174 · 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.

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

Citations4
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetChemical Looping and Thermochemical ProcessesTravaux en français237 207