Optimization and exergoeconomic analyses of water-energy-carbon nexus in steel production: Integrating solar-biogas energy, wastewater treatment, and carbon capture
Notice bibliographique
Résumé
The steel industry is one of the hard-to-abate sectors for decarbonization, and direct electrification is not possible or economically infeasible. This study investigates the application of the Water-Energy-Carbon nexus in the steel industry through a multi-generation plant, addressing the industry's demands for water, energy, and alternative fuel. The proposed multi-generation plant consists of parabolic trough solar collectors, an organic Rankine cycle, urban wastewater treatment, carbon capture, anaerobic digestion combined with heat and power, a proton exchange membrane electrolyzer, and a steelmaking plant. Thermodynamic and exergoeconomic analyses are conducted to investigate the system's efficiency and economic performance. A sensitivity analysis is conducted to identify the optimal links between nexus resources, followed by a multi-dimensional evaluation and multi-objective optimization. The results showed that under base conditions, the plant can annually produce 900 ktons of steel, 105 GWh of net power, 430.1 tons of water, and 517 tons of hydrogen, while preventing 34.7 ktons of CO 2 emissions. The exergy efficiency and unit exergy cost of the products are 46.1% and 57.8 $/GJ, respectively. Under optimized conditions, the plant achieves a maximum net annual power output of 160 GWh, an exergy efficiency of 46.9%, and a minimum unit exergy cost of 51.4 $/GJ. • Multi-generation plant for energy, water, and fuel for steel industry. • System integrates solar, wastewater treatment, and carbon capture. • Thermodynamic and exergoeconomic analyses assess efficiency and costs. • Optimization achieves 46.9% exergy efficiency and 51.4 $/GJ unit exergy cost. • Plant annually produces 900 kt steel, 105 GWh power, 430.1 t water, 517 t hydrogen.
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 | 0,000 | 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 | 0,000 |
| 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 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 ».