A new system using refuse-derived fuel as a feedstock for hydrogen and power co-generation: A techno-environmental assessment
Notice bibliographique
Résumé
Refuse-derived fuel (RDF) offers a promising opportunity for Canada to proceed with its transition towards a circular economy. This study focuses on the development of a pseudo-steady-state process simulation model to integrate RDF processing and utilization technologies with the existing plants. Canada’s RDF is chosen as a potential feedstock and is coupled with the two cycles (Sulfure Iodine (S-I) thermochemical cycle and dual pressure loop power cycle) to produce carbon-free H 2 and electricity. The process modeling is undertaken in the Aspen Plus industrial software. An environmental and thermodynamic assessment of the plant including energy and exergy analyses is conducted. Several sensitiivty analyses are computed to predict the ideal operational parameters for optimized efficiency. A feed of 1300 kg/h RDF generates 96.76 kg of clean hydrogen and 382.24 kW of clean power. The results show RDF-to-power and RDF-to-H 2 energy efficiency of 22.19% and 25.27% respectively. Regarding the environmental performance, the results show that the proposed plant avoids 423.82 tons of CO 2 emissions per year for clean hydrogen production and 1685.45 tons of CO 2 emissions per year for clean power production. The overall performance of the developed system in terms of energy and exergy efficiencies is 35.91% and 42.46%. • The refuse-derived fuel serves as feedstock for H2 and power production. • The sulfur-iodine thermochemical cycle achieves 65.63% energy efficiency. • The system avoids 423.82 tons of CO₂ emissions per year for H2 production. • A total of 1685.45 tons of CO₂ emissions are avoided per year for clean power. • The overall energy and exergy efficiencies are 35.91% and 42.46%, respectively.
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 ».