Assessment of the performance of ultralow‐ <scp>GWP</scp> refrigerants in a two‐stage heat pump system using simulation and <scp>MCMD</scp>
Notice bibliographique
Résumé
Abstract The Kigali Amendment's mandate to phase down high‐GWP refrigerants highlights the urgent need for sustainable alternatives in cold climate heat pumps, which are critical for delivering efficient heating in severely cold regions. This study evaluates ultralow‐GWP refrigerants—R‐290, R‐152a, R‐161, R‐1234yf, and R‐1234ze(E)—for application in a two‐stage vapor injection heat pump operating at outdoor temperatures as low as −20 °C and a condenser temperature of 52 °C. The methodology integrates modeling and simulation with thermodynamic and exergy analyses, total equivalent warming impact (TEWI) assessment, and a TOPSIS‐based multicriteria decision‐making (MCDM) approach. Results show that R‐152a achieves the highest COP (2.92) and the lowest TEWI (9078.78 kg CO 2 e), followed by R‐290 (COP = 2.81, TEWI = 9345.6 kg CO 2 e), while R‐161 shows the lowest COP (2.64). A trade‐off in volumetric heating capacity is observed: R‐152a delivers 3.2 MJ/m 3 versus 3.78 MJ/m 3 for R‐161. Exergy efficiency increases with ambient temperature; for example, R‐152a improves from 0.355 to 0.383 as temperature rises from −20 °C to 0 °C. The TOPSIS ranking confirms R‐152a as the top performer (score = 0.642), closely followed by R‐290 (0.637). All refrigerants evaluated show acceptable performance for cold‐climate use. Notably, R‐152a and R‐290 emerge as climate‐friendly, high‐performance candidates. Unlike prior studies that rely primarily on single‐criterion comparisons, this work introduces a novel integrated framework combining thermodynamic, exergy, environmental, and MCDM analyses to guide refrigerant selection for sustainable heating in cold climates.
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 | 0,000 |
| 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 ».