MétaCan
Menu
Retour à la cohorte
Enregistrement W4388342254 · doi:10.1002/adsu.202300309

Improving Atmospheric Water Harvesting in Carbon‐Based Sorbents Through CO<sub>2</sub> Activation

2023· article· en· W4388342254 sur OpenAlexafffund
David Brassard, Seyedemad Alavitabari, Wendell Raphael, Richard Boudreault, Pierre‐Luc Girard‐Lauriaut, Jason R. Tavares

Notice bibliographique

RevueAdvanced Sustainable Systems · 2023
Typearticle
Langueen
DomaineChemistry
ThématiqueAerogels and thermal insulation
Établissements canadiensMcGill UniversityPolytechnique Montréal
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMitacs
Mots-clésSorptionEnvironmental scienceRelative humidityPyrolysisSodium carbonateYield (engineering)Carbon fibersSorbentAtmospheric pressureChemical engineeringSodiumAdsorptionMaterials scienceChemistryMeteorologyComposite materialOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Abstract Atmospheric water harvesting (AWH) can serve as an alternative fresh water source in regions with scarce access to drinking water. While many techniques are geographically or seasonally limited, sorbent‐based AWH shows the potential for wider application. Low‐cost, carbon‐based sorbents named nanoporous sponges (NPS) are recently developed, exhibiting fast and repeatable water uptake of 0.14 g g − 1 at 90% relative pressure. While useful from a cost and daily water yield point of view, there is room for improvement. This article presents an improved production process combining pyrolysis and activation under CO 2 in a single step, yielding improved NPS capable of reproducibly reaching a water uptake of 0.47 g g −1 at 95% relative pressure while maintaining fast sorption rates. The NPS show significant endurance and are able to maintain stable performance over numerous humidity cycles. An unexpected time‐dependant sorption behavior is also identified for NPS produced with a modified synthesis formulation, due to an increase in sodium carbonate residual content.

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)0,000
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 enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,011
Tête enseignante GPT0,238
Écart entre enseignants0,227 · 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

Citations12
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAdvanced Sustainable SystemsMême sujetAerogels and thermal insulationTravaux en français237 207