Soft computing optimization of a renewable energy-integrated multigeneration system with liquid air energy storage
Notice bibliographique
Résumé
The presented study provides the results of a comprehensive assessment of a multigeneration system integrating renewable energy with liquid air energy storage systems , through exergoeconomic and exergoenvironmental evaluations. Applying soft-computing techniques for optimization powered by artificial neural networks , the research aims to improve the introduced configuration's efficiency, economic feasibility , and environmental sustainability . The system aims to generate power, desalinated water, heating/cooling loads, and other products to leverage the synergies between renewable energy contributions and the advanced Liquid air energy storage (LAES) for energy storage. From the exergoenvironmental evaluation, the sustainability index for energy storage facilities, desalination systems , and multigeneration systems is 1.92, 1.43, and 1.88, respectively. The obtained outcomes from the technical analysis indicate that the exergetic term of the round-trip efficiency and exergy destruction are 61.11 % and 15.59 MW, respectively. The optimized values for the levelized costs of hydrogen and water from exergoeconomic analysis are 1.52 and 5.22. The obtained findings from the optimization process revealed that the produced hydrogen and freshwater can exceed 6.49 × 10 7 m 3 and 7.59 × 10 4 m 3 per year. Besides, the optimum working condition pushes the system toward 74.75 % exergetic round-trip efficiency and a 0.48 US$/kWh levelized cost of production.
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) | 0,001 | 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 ».