MétaCan
Menu
Retour à la cohorte
Enregistrement W4417292375 · doi:10.1016/j.energy.2025.139562

Uniquely designed three biomass-based integrated sustainable energy systems for comparative evaluation

2025· article· en· W4417292375 sur OpenAlexaff
Mohamad Ayoub, İbrahim Dinçer

Notice bibliographique

RevueEnergy · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueChemical Looping and Thermochemical Processes
Établissements canadiensOntario Tech University
Organismes subventionnairesnon disponible
Mots-clésHydrogen productionHydrogenRaw materialBiomass (ecology)ElectrolysisHigh-temperature electrolysisSolar energyThermalCombustion

Résumé

récupéré en direct d'OpenAlex

In this work, three different configurations of an integrated thermal system for hydrogen production utilizing gasification, alkaline electrolysis, and photo-alkaline electrolysis are conceptually developed and thermodynamically analyzed and assessed. Different gasification feedstock options considered include white oak wood, Douglas-fir wood, madrone wood, and pine needles. The Aspen Plus software package is used to conduct corresponding simulations and facilitate the system analysis and performance related calculations. For photo-alkaline electrolysis calculations, the AM1.5G spectrum and the bandgap of copper oxide are also considered. Subsequently, a direct approach is presented for the calculation of the fraction of the solar spectrum and incident irradiance absorbed. The highest hydrogen production is attributed to pine needles at 285 kg/h for a 4500 kg/h biomass feed due to its favorable composition, at efficiencies of 38.07 %, 38.53 %, and a peak of 38.55 % at 17:00 in a diurnal cycle, for gasification, gasification-alkaline electrolysis, and gasification-photo-alkaline-electrolysis system configurations, respectively. • Three systems for hydrogen generation are developed using gasification and electrolysis. • Pine needles achieve the highest hydrogen generation and system efficiency. • Gasification-photoelectrolysis system achieves a peak efficiency of 38.55 %.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,967
Score d'incertitude au seuil0,638

Scores Codex et Gemma par catégorie

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 technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,023
Tête enseignante GPT0,267
Écart entre enseignants0,245 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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'admission1
Résumé présentoui

Explorer davantage

Même revueEnergyMême sujetChemical Looping and Thermochemical ProcessesTravaux en français237 207