Catalyzing Refuse-Derived Fuel Understanding: Quantified Insights From Thermogravimetric Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract This study employs thermogravimetric analysis (TGA) to investigate the thermal degradation behavior of various components of refuse-derived fuel (RDF). The analysis is conducted individually for different RDF fractions, including cardboard, mixed papers, mixed plastics, other organics, and fines, alongside raw RDF. TGA experiments are performed in triplicate to ensure repeatability and homogeneity assessment. The results reveal distinct degradation profiles for each material, influenced by moisture content. Cardboard and mixed papers exhibit similar decomposition characteristics attributed to their cellulose content. Cardboard undergoes initial moisture-driven mass loss (5.52%), followed by cellulose and hemicellulose decomposition (58.86%) at 250–400 °C and lignin degradation (10.1%) at 400–500 °C. In contrast, mixed plastics, with an initial moisture content of 0.81%, manifest multiple decomposition steps: polyvinyl chloride (PVC) degradation (3.84%) at 200–335 °C, polystyrene (PS) degradation (6.63%) at 335–400 °C, polypropylene (PP) degradation (24.41%) at 400–450 °C, and high-density polyethylene (HDPE)/low-density polyethylene (LDPE) degradation (54.6%) at 400–500 °C. Other organics, with 1.47% initial moisture content, undergo cellulose decomposition (37.98%) at 200–381 °C and polyester/microfilament degradation (21.3%) at 381–450 °C. Fines display cellulose and hemicellulose decomposition (29.8%) at 200–383 °C and plastics/polyester degradation (43%) at 383–550 °C. LDPE in mixed plastics undergoes pure polymer decomposition at 483.6 °C.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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