Risk-informed multi-criteria assessment of dam reservoirs for floating photovoltaic farms in arid and semi-arid regions
Notice bibliographique
Résumé
Floating Photovoltaic (FPV) farms have emerged as a rapidly advancing solar power technology, driven by land-use constraints and increasing global demand for sustainable energy solutions. This system has several advantages over land-based ones in terms of energy generation, water and land conservation, and environmental impacts. This study develops a risk-oriented decision-making framework to prioritize dams in Khorasan Razavi, Iran, for implementing FPV systems. To this end, the research employs the Fuzzy Analytic Hierarchy Process (FAHP) combined with risk attitudes related to multi-criteria satisfaction, to rank the selected dams. In addition, PVsyst software and the simplified Penman equation are used to analyze the potential for energy generation and evaporation reduction on these prioritized dams. In this study, three PV deployment scenarios are examined: floating PV arrays covering 1% and 10% of the reservoir’s surface area and a fixed 7 MW PV system as the feasible capacity under site-specific constraints. To guide the optimal deployment of FPV systems, this study introduces a point-based ranking framework that incorporates multiple risk perspectives—ranging from fully risk-averse to fully risk-prone scenarios. While results show consistency between the multi-criteria rankings and energy simulation outputs for several dams, notable discrepancies—such as Tabarak’s high risk-based rank despite its lower energy output and limited evaporation reduction—highlight the importance of using both approaches in tandem. The proposed framework contributes to a more comprehensive understanding of site suitability, balancing technical performance with broader contextual and stakeholder considerations.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».