Modeling of a heat-integrated biomass downdraft gasifier: Estimating key model parameters using experimental data
Notice bibliographique
Résumé
Kinetic and transport parameters in a model of a heat-integrated biomass downdraft gasifier are poorly known and require estimation. The large number of parameters (40) arises from pyrolysis, combustion, and gasification reactions, as well as heat-transfer phenomena inside the gasifier and associated heat-integration system. Due to complexity of the model and the limited available data, only a subset of the parameters can be reliably estimated. A sensitivity-based approach is used to determine the appropriate number of parameters to estimate while preventing overfitting. It is hypothesized that estimating these important parameters will result in better model predictions. The 40 parameters are ranked from most-estimable to least-estimable based on sensitivity information and initial parameter uncertainties. A mean-squared-error criterion is then used to determine that 27 parameters should be estimated using data from 15 experimental runs, with the remaining 13 parameters fixed at their initial values. A diagnosis of the 13 low-ranked parameters reveals that 8 parameters are not estimated due to correlation with high-ranked parameters and that the remaining 5 parameters have little influence on model predictions. The model is validated using two runs not used for parameter tuning. The updated model is used to predict that a taller gasifier would not improve the quality of the producer gas. Simulations show that increasing the producer-gas demand by 50% results in a 15.2% decrease in H 2 /CO ratio, a 52.6% increase in tar content in the producer gas, and a 44% increase in electrical energy output.
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 ».