Efficient Design of the Hydrogen Liquefaction System: Thermodynamic, Economic, Environmental, and Uncertainty Perspectives
Notice bibliographique
Résumé
Hydrogen (H 2 ) liquefaction is one of the most promising approaches for storing and transporting clean energy on a large scale for long periods. However, this strategy faces the challenges of high energy consumption, relatively low exergy efficiency, substantial economic costs, boil-off gas losses, and limited knowledge of its environmental perspectives. A robust systematic framework is introduced by integrating thermodynamic, machine learning (ML), and multiobjective optimization (MOO) approaches to optimize the operational variables of the H 2 liquefaction process. The H 2 liquefaction process includes a mixed refrigerant precooling unit and a Joule-Brayton cryogenic cascade cycle. The combination of the pinch analysis approach and enumerative algorithms is used in the initial optimization phase as a nonlinear method to determine the operational variables of the precooling and liquefaction systems. The exergy efficiency and exergy destruction of H 2 liquefaction cycles are calculated as 49% and 5073 kW to produce 50 tons/day of liquid H 2 . Based on life cycle assessment and economic analysis, the global warming and levelized cost to produce 1 kg liquid H 2 are calculated at 124 kgCO 2 eq and 4.833 US$, respectively. The sensitivity analysis, ML, and MOO algorithms (particle swarm, genetic algorithm, and gray wolf techniques) in the final optimization phase are used to determine the Pareto frontier. The multicriteria decision techniques are used to identify the optimal operating conditions considering the thermodynamic, economic, and environmental aspects. The uncertainty levels of objective functions based on different parameters are studied by uncertainty quantification using Monte Carlo.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».