Thermodynamic analysis and performance enhancement of an integrated solar–geothermal polygeneration system using grey wolf optimization and LSTM-based forecasting with Monte Carlo uncertainty analysis: A case study on Tenerife Island
Notice bibliographique
Résumé
Global warming and fossil fuel supply limitations highlight the need for sustainable energy options. Renewable-based systems provide a path to carbon neutrality but face reliability challenges due to intermittency. This study investigates Tenerife Island's potential for integrating solar and geothermal energy. A novel hybrid system is proposed, combining concentrated solar power, geothermal energy resources, with a system comprised of the following components: a supercritical CO₂ cycle, a lithium bromide-water absorption cooling system, a multi-effect desalination unit, a three-stage organic Rankine cycle and a proton exchange membrane electrolyzer. This system produces electricity, heating, cooling, freshwater, and hydrogen, achieving baseline energy and exergy efficiencies of 62 % and 17, respectively. The system's production rates are 7844 kW power, 4416 kW cooling, 6848 kW heating, 22.6 kg/h hydrogen, and 20.7 m 3 /h freshwater. Optimization using the grey wolf algorithm enhances the energy efficiency by 21 %, the exergy efficiency by 38 %, and the hydrogen production rate by 18 %. Solar energy forecasting employs direct normal irradiance data (2005–2024) with seq2seq long short-term memory predictions up to 2030. A forward uncertainty analysis using Monte Carlo simulations reveals that cooling capacity, exergy destruction rate, and net power production are most sensitive to fluctuations in direct normal irradiance, with coefficients of variation (CV) ranging from 4.4 % to 4.5 %, while energy and exergy efficiencies exhibit minimal coefficient of variation (CV < 0.1 %).
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 | 0,001 | 0,002 |
| 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 ».