Biodiesel production unpacked: Data-driven analysis of key operational factors
Notice bibliographique
Résumé
Biodiesel is a promising renewable alternative to depleting fossil fuels. However, variabilities in the operational factors that affect biodiesel yield make it difficult to ascertain which parameters mostly affect biodiesel production yield. The objective of the current study was to statistically evaluate the commonly reported major operational parameters that affect biodiesel yield using a wide dataset collected from the literature. CART@Regression results implied that feedstock type and temperature were the most and least important factors, respectively, for biodiesel production from both used and neat oils. Excluding temperature, all factors were above 73 % as important as feedstock type for used oils, suggesting that optimization of all five operational parameters (i.e., feedstock type, alcohol-to-oil-molar ratio, reaction time, catalyst type, and catalyst quantity) will increase biodiesel yield from used oils. In contrast, catalyst quantity, alcohol-to-oil molar ratio, and temperature were below 50 % as important as feedstock for neat oils, which implied that their control does not have much effect on biodiesel yield for the current dataset. Basic statistics (outlier test, normality check and correlation analysis), principal component analysis and two-dimensional surface contour plots were conducted. Multiple criteria analysis showed that potassium oxide is the best catalyst type for used oils, while muhua oil is the best feedstock for biodiesel production from neat oils. The present study offers fundamental knowledge regarding operational parameters which could support large-scale biodiesel production and hence boost the biorefinery sector.
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 | 0,001 |
| 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 ».