MétaCan
Menu
Retour à la cohorte
Enregistrement W4416810355 · doi:10.1177/0309524x251403728

Optimizing hybrid renewable energy systems: Techno-economic feasibility and CFD study for residential load applications in Stephenville, NL

2025· article· en· W4416810355 sur OpenAlexaffabout
Ahmed Ibrahim, Niloofar Hosseini, Abdullelah Jaroudi, Amin Etminan

Notice bibliographique

RevueWind Engineering · 2025
Typearticle
Langueen
DomaineEnergy
ThématiqueHybrid Renewable Energy Systems
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésRenewable energyCost of electricity by sourceWind powerHybrid systemTurbineGridEfficient energy useSolar energy

Résumé

récupéré en direct d'OpenAlex

Communities in Newfoundland and Labrador continue to rely heavily on grid electricity, which is often expensive and vulnerable to weather-related disruptions. In this context, hybrid renewable energy systems offer a practical way to improve energy security while lowering emissions. The transition to clean energy is crucial for mitigating climate change, particularly in Canada, where fluctuating temperatures and environmental shifts pose significant challenges. This study evaluates the techno-economic feasibility of a hybrid renewable energy system designed for residential use in Stephenville, Newfoundland and Labrador, integrating wind turbine technology (Enercon E-44), solar technology (Canadian Solar Dymond), and grid electricity. Using HOMER Pro, the system was optimized based on NASA wind data (average speeds: 7.2 m/s in winter, 5.32 m/s in summer). Results show a levelized cost of energy (LCOE) of $0.0356/kWh, a net present cost of $1.56 million, and annual CO 2 reductions of 222,514 kg, with 60.1% renewable penetration. Computational fluid dynamics (CFD) analysis in ANSYS Fluent, focusing on the NACA 63-415 airfoil, confirmed the turbine’s aerodynamic efficiency across seasonal winds. This study highlights hybrid renewable systems as cost-effective, sustainable solutions, aligning with Canada’s net-zero goals while ensuring energy security.

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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,814
Score d'incertitude au seuil0,370

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,226
Écart entre enseignants0,216 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWind EngineeringMême sujetHybrid Renewable Energy SystemsTravaux en français237 207