Global insights into biomass pyrolysis mechanisms: A scientometric and mechanistic approach
Notice bibliographique
Résumé
• Research on biomass pyrolysis mechanism grew rapidly since 2019. • Leading contributors to biomass pyrolysis mechanism were identified. • Five thematic clusters were identified through keyword analysis. • Biomass components exhibit different thermal decomposition patterns. This review provides a comprehensive analysis of biomass pyrolysis by combining scientometric evaluation with mechanistic insight. The scientometric analysis, based on 174 articles retrieved from Scopus database, traced the evolution of biomass pyrolysis mechanism research from 1989, with significant growth observed from 2019 onwards. China, United States, and United Kingdom emerged as leading contributors in publication output, while China, United States, and Italy led in citation impact. Influential researchers such as Chen Hanping and Yang Haiping, along with key journals including Journal of Analytical and Applied Pyrolysis, Fuel , and Energy & Fuels , have significantly shaped the field. Keyword co-occurrence analysis identified five major research themes: thermal decomposition and analytical techniques; co-pyrolysis and synergistic effects; catalytic pyrolysis and product analysis; component chemistry in biomass conversion; and reactor design and performance. The mechanistic analysis focused on the distinct thermal degradation behaviors of all the six biomass components, which underwent characteristic reactions such as dehydration, depolymerization, and decarboxylation, influencing the yield of pyrolysis products. By combining scientometric trends with mechanistic understanding, this study clarifies research evolution, key contributors, dominant themes, and reaction mechanisms in biomass pyrolysis. This review offers valuable guidance for researchers, industries, and policymakers working toward efficient biomass conversion, sustainable energy production, and environmental management.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | Bibliométrie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
| gpt | Bibliométrie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | high |
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,079 | 0,097 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,008 | 0,012 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».