MétaCan
Menu
Retour à la cohorte
Enregistrement W4409605976 · doi:10.2118/224690-ms

Renewable Liquid Energy: Modular Off-Grid Carbon-Negative Hydrogen, Power, & Pure Water from Ethanol

2025· article· en· W4409605976 sur OpenAlexaff
Jagjit Singh, Inder Pal Singh

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEnergy
ThématiqueHybrid Renewable Energy Systems
Établissements canadiensHydrogenics (Canada)
Organismes subventionnairesnon disponible
Mots-clésRenewable energyModular designEthanolHydrogenChemistryEnvironmental scienceComputer scienceElectrical engineeringEngineeringOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Golu-H2 is a member of the SBI Group, a clean energy innovator in cutting-edge technology development for over 25 years. SBI has invested over $40 million to reach the point we are at today, with a fully equipped state-of-the-art 25,000 sq. ft. Technology Development, Product Development, and Scale-up Facility equipped with modern analytical instruments and pilot fabrication capabilities. SBI's renewable diesel and sustainable aviation fuel (Jet Fuel) technologies were licensed by Royal Dutch Shell in 2017. We hold a vast portfolio of global patents for multiple green technologies, including our Gölu-H2, a green hydrogen technology that demonstrates our capabilities in catalyst development, process and processor design, and optimization. Additionally, we have in-house automation and control design capabilities, allowing us to execute projects with maximum flexibility and efficiency. Hydrogen is the clean fuel of the future, providing a de-fossilized alternative energy resource. Energy derived from hydrogen does not emit CO2 and can be extracted from renewable sources. When using a fuel cell for power generation, hydrogen is the most efficient renewable fuel, generating up to 21 kWh/kg out of the 33-kWh available in the hydrogen. The only byproduct of power generation through a fuel cell is pure H2O, or chemically pure potable water, which is another high-value resource with many potential benefits being explored.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,057

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0170,013

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,218
Écart entre enseignants0,210 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHybrid Renewable Energy SystemsTravaux en français237 207