MétaCan
Menu
Retour à la cohorte
Enregistrement W4383759524 · doi:10.21203/rs.3.rs-3106273/v1

Technical and economic assessment of bio-syngas production from biomass and its application in natural gas pipelines

2023· preprint· en· W4383759524 sur OpenAlexaff
Zhihai Zhang, Olivier Rezazgui, Benoit Delcroix, Patrice Mangin

Notice bibliographique

RevueResearch Square · 2023
Typepreprint
Langueen
DomaineEngineering
ThématiqueThermochemical Biomass Conversion Processes
Établissements canadiensHydro-QuébecUniversité du Québec à Trois-Rivières
Organismes subventionnairesnon disponible
Mots-clésSyngasBiomass (ecology)ScrubberNatural gasEnvironmental scienceWaste managementSyngas to gasoline plusPulp and paper industryChemistryEngineeringSteam reforming

Résumé

récupéré en direct d'OpenAlex

Abstract Biomass frequently constrains its widespread application due to its low economic efficiency. In this project, a new approach of biomass application was explored to reduce bio-syngas production cost. A model for the bio-syngas production from biomass gasification and bio-syngas purification (Selexol and water scrubbing) were studied. Based on the simulation results, we assessed the feasibility and viability of the project. Preliminary results showed that the bio-syngas production cost with Selexol (2.15 $/Nm3) is even higher than biomass used in power generation systems (equal to 1.58–2.21 $/Nm3). However, water scrubber was used as bio-syngas purification, the capital investment cost and bio-syngas production cost (1.34 $/Nm3) was significantly reduced. A sensitivity analysis was conducted on the bio-syngas price, which could be further reduced by various factors: biomass price, carbon taxes, and carbon credits. We assumed that bio-syngas was applied to natural gas pipeline, our analysis showed that the application of bio-syngas (2–10% content) to natural gas had little impact on natural gas properties: combustion value and price. The technology of water scrubber makes the applications of biomass-based fuels competitive.

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 enseignants0,009
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)0,0020,000

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 Opus0,035
Tête enseignante GPT0,346
Écart entre enseignants0,311 · 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

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch SquareMême sujetThermochemical Biomass Conversion ProcessesTravaux en français237 207