Water desalination using waste heat recovery of thermal power plant in tropical climate; optimization by AI
Notice bibliographique
Résumé
The primary objective of the current research is to address the pressing issue of water scarcity in Khuzestan Province, Iran, specifically targeting the Khorramshahr gas power plant. The proposed redesign incorporates a Multi-Effect Distillation (MED) unit with Thermal Vapor Compression (TVC) and dual-pressure heat recovery steam generators. This innovative system aims to optimize cost reduction, minimize CO 2 emissions, and maximize both net output power & energy efficiency, simultaneously. The optimization process is facilitated by artificial neural networks and genetic algorithms, utilizing EES and MATLAB software. Optimized system is projected to gain more average cost of 1,912.1 $/h, reflecting the investment required for the redesign and upgrades. Water production is expected to reach 64 kg/s, and the energy efficiency is anticipated to increase by more than 10 %. CO 2 emissions are forecasted to decrease by approximately 23 %. From exergy point of view, the exergy efficiency of the system has been enhanced from 31.1 % for the conventional state to 41.7 % as the best optimized case (10.6 % improvement). In the suggested system, outlet gas exergy, with an amount of 136.9 MW, is recovered. Finally, the net power output is set to rise by around 32 %, further enhancing the overall performance of the power plant.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».