Production de gaz de synthèse riche en hydrogène à partir de la gazéification de résidus carbonés industriels
Bibliographic record
Abstract
La croissance démographique et l'augmentation de l'industrialisation ont généré une quantité toujours croissante de résidus solides dans le monde. Ces résidus, lorsqu'ils sont mal gérés, contribuent de manière significative aux émissions de gaz à effet de serre (GES). Dans ce contexte, une gestion efficace des résidus est cruciale non seulement pour réduire leur enfouissement, mais aussi pour minimiser les GES associés. En d'autres termes, la gestion correcte des résidus et leur éventuelle valorisation énergétique constituent l'un des piliers fondamentaux de l'atténuation des GES et de la lutte contre le changement climatique mondial. La réduction des émissions des GES est devenue une problématique de taille planétaire et plusieurs pays au monde ont pris de forts engagements pour la réduction de leurs émissions. Le rapport sur les projections des émissions de GES et polluants atmosphériques du Canada de 2020 confirme que les nouveaux engagements. L'objectif de réduire les émissions de GES de 30 % par rapport aux niveaux de 2005 d'ici 2030 nécessite un effort collectif, avec l'implication et les actions de tous les segments qui génèrent des GES. Dans ce contexte, l'objectif principal de ce travail est de présenter une alternative pour valoriser énergétiquement deux groupes différents de résidus solides riches en carbone en utilisant un processus de conversion thermochimique, la gazéification. L'utilisation d'un gazogène à courant descendant à l'échelle semi-pilote a permis de produire du gaz de synthèse riche en hydrogène. Le premier groupe de résidus utilisés provient de l'industrie du meuble, qui produit des matériaux de décoration et de finissage à base de carbone, en particulier des stratifiés à haute pression (HPL) saturés de résines phénol-formaldéhyde, de colorants et de résines mélamine-formaldéhyde. Le second type de résidus est un résidu agricole provenant de l'industrie du cannabis, essentiellement composé de tiges de plantes non utilisées par l'industrie pharmaceutique ou à des fins récréatives. Pour les deux résidus, les différents paramètres qui influencent le processus de gazéification ont été évalués, tels que la température, le rapport d'équivalence, le rapport vapeur/biomasse, ainsi que l'influence de l'agent gazéifiant et du prétraitement des résidus sur la teneur en H2 du gaz de synthèse produit. Des teneurs en H2 allant jusqu'à 43,8 (%vol) ont été obtenues pour les résidus de HPL et 44,8 (%vol) pour les résidus de cannabis, ce qui est plus élevé que les teneurs observées dans la plupart des publications sur d'autres types de matières premières.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".