MétaCan
Menu
Retour à la cohorte
Enregistrement W4400236526 · doi:10.11159/ehst24.002

Water-Energy Nexus: Energy Extraction from Water Towards CarbonNeutralityStates

2024· article· en· W4400236526 sur OpenAlexaff
Catherine N. Mulligan

Notice bibliographique

RevueProceedings of the International Conference of Energy Harvesting, Storage, and Transfer · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWater-Energy-Food Nexus Studies
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésNexus (standard)Water-energy nexusNeutralityEnergy (signal processing)Carbon neutralityExtraction (chemistry)Water energyCarbon fibersEnvironmental scienceNatural resource economicsComputer scienceChemistryRenewable energyWater resource managementEngineeringEconomicsElectrical engineeringPhysicsPolitical scienceChromatography

Résumé

récupéré en direct d'OpenAlex

The challenges of sustainable development include a water supply for healthy people, efficient use of water and energy resources, and protection of the ecosystem and environment.All must be resilient under climate change.The nexus between water and energy is a highly important element.The water sector exerts a heavy energy footprint (4% of global electricity consumption).Therefore, to offset this, there is a strong need to research energy recovery from water.Some methods are heat recovery, production of biogas and energy production from wastewater treatment such as pressure reduced osmosis (PRO) which will be the focus of this presentation.Up to 50% of the energy required for wastewater can be produced by biogas Production of energy and waste management, improvement of the potential for water reuse, protection of the environment, reducing carbon emissions and enabling the improvement of their environmental practices are all objectives.These research orientations will contribute and foster an integrated approach for understanding the water-energy nexus and enabling the design of carbon neutral or negative water treatment facilities.

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 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 enseignants0,162
Score d'incertitude au seuil0,979

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
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 Opus0,022
Tête enseignante GPT0,225
Écart entre enseignants0,202 · 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.

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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the International Conference of Energy Harvesting, Storage, and TransferMême sujetWater-Energy-Food Nexus StudiesTravaux en français237 207