Optimization of a Biomass-Based Power and Fresh Water-Generation System by Machine Learning Using Thermoeconomic Assessment
Notice bibliographique
Résumé
Biomass is a viable and accessible source of energy that can help address the problem of energy shortages in rural and remote areas. Another important issue for societies today is the lack of clean water, especially in places with high populations and low rainfall. To address both of these concerns, a sustainable biomass-fueled power cycle integrated with a double-stage reverse osmosis water-desalination unit has been designed. The double-stage reverse osmosis system is provided by the 20% of generated power from the bottoming cycles and this allocation can be altered based on the needs for freshwater or power. This system is assessed from energy, exergy, thermoeconomic, and environmental perspectives, and two distinct multi-objective optimization scenarios are applied featuring various objective functions. The considered parameters for this assessment are gas turbine inlet temperature, compressor’s pressure ratio, and cold end temperature differences in heat exchangers 2 and 3. In the first optimization scenario, considering the pollution index, the total unit cost of exergy products, and exergy efficiency as objective functions, the optimal values are, respectively, identified as 0.7644 kg/kWh, 32.7 USD/GJ, and 44%. Conversely, in the second optimization scenario, featuring the emission index, total unit cost of exergy products, and output net power as objective functions, the optimal values are 0.7684 kg/kWh, 27.82 USD/GJ, and 2615.9 kW.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».