Optimizing Hydrogen Liquefaction Efficiency Through Waste Heat Recovery: A Comparative Study of Three Process Configurations
Notice bibliographique
Résumé
Hydrogen (H2) liquefaction is an energy-intensive process, and improving its efficiency is critical for large-scale deployment in H2 infrastructure. Industrial waste heat recovery contributes to energy savings and environmental improvements in liquid H2 processes. This study proposes a comparative framework for industrial waste heat recovery in H2 liquefaction systems by examining three recovery cycles, including an ammonia–water absorption refrigeration (ABR) unit, a diffusion absorption refrigeration (DAR) process, and a combined organic Rankine/Kalina plant. All scenarios incorporate 2 MW of industrial waste heat to improve precooling and reduce the external power demand. The simulations were conducted using Aspen HYSYS (V10) in combination with an m-file code in MATLAB (R2022b) programming to model each configuration under consistent operating conditions. Detailed energy and exergy analyses are performed to assess performance. Among the three scenarios, the ORC/Kalina-based system achieves the lowest specific power consumption (4.306 kWh/kg LH2) and the highest exergy efficiency in the precooling unit (70.84%), making it the most energy-efficient solution. Although the DAR-based system shows slightly lower performance, the ABR-based system achieves the highest exergy efficiency of 52.47%, despite its reduced energy efficiency. By comparing three innovative configurations using the same industrial waste heat input, this work provides a valuable tool for selecting the most suitable design based on either energy performance or thermodynamic efficiency. The proposed methodology can serve as a foundation for future system optimization and scale-up.
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 | 0,001 |
| 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 ».