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 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 enseignants0,005
Score d'incertitude au seuil0,017

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
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 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'admission1
Résumé présentoui

Explorer davantage

Même revueEnergyMême sujetChemical Looping and Thermochemical ProcessesTravaux en français237 207