MétaCan
Menu
Retour à la cohorte
Enregistrement W4386127610 · doi:10.11159/icert23.116

Experimental Testing Of a 400 KWh Steel Slag-Based Thermal Energy Storage Prototype for Industrial Waste Heat Recovery Applications

2023· article· en· W4386127610 sur OpenAlexvenueno aff
Daniel Bielsa, Peru Arribalzaga, Iñigo Ortega‐Fernández, Erika Garitaonandia

Notice bibliographique

RevueProceedings of the World Congress on New Technologies · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueAdsorption and Cooling Systems
Établissements canadiensnon disponible
Organismes subventionnairesResearch Fund for Coal and SteelEuropean Commission
Mots-clésSlag (welding)Waste heatWaste heat recovery unitWaste managementThermal energy storageThermalIndustrial wasteEnvironmental scienceProcess engineeringMaterials scienceMetallurgyEngineeringMechanical engineeringHeat exchangerThermodynamics

Résumé

récupéré en direct d'OpenAlex

There is a clear need to develop cost-effective thermal energy storage systems to improve industrial energy efficiency since great amounts of energy is lost as waste heat.In this paper, a cost-effective 400 kWh thermal energy storage prototype for waste heat recovery at high temperature is tested over different charging and discharging conditions.The technology studied is based on the use of steel slag as thermal energy storage material and air as heat transfer fluid, in a packed bed reactor of 1 m 3 .Since the steel slag is a byproduct of the steelmaking industry its cost is almost negligible, whilst its thermomechanical properties make it very attractive to store heat.The aim of the testing studies is to gather information regarding the heat exchange efficiency between the heat transfer fluid and the slag in different temperature levels, reproducing common industrial off-gas waste heat release.Finally, with these results a technoeconomic calculation approach is provided in the frame of a real waste heat recovery plant in the steelmaking industry, which confirms this technology as a very promising candidate for waste heat recovery solutions.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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 GPT0,246
Écart entre enseignants0,211 · 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'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

Citations5
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the World Congress on New TechnologiesMême sujetAdsorption and Cooling SystemsTravaux en français237 207