Kierrätyspuun jalostaminen kiinteäksi biopolttoaineeksi
Bibliographic record
Abstract
Puupolttoaineet ovat merkittävä osa Suomen energiantuotantoa. Puupolttoaineiden osuus energian loppukulutuksesta oli 23 % vuonna 2012 ja puun energiakäytön lisääminen on yksi tärkeimmistä keinoista saavuttaa uusiutuvan energian lisäystavoitteet. Se edellyttää investointeja muun muassa polttoainetuotantoon. Investointihanke on monivuotinen projekti, jossa etukäteissuunnittelu on merkittävässä osassa. Suunnittelukustannukset ovat yleensä 10 – 15 % koko hankkeen kustannuksista mutta suunnitteluvaiheessa lähes kaikki loput kustannukset sidotaan tiettyyn kohteeseen. Työssä tuotettiin asiakasyritykselle tietoa investointipäätöksen tekoa varten puupolttoainetuotannon teknisestä toteutuksesta sekä taloudellisesta kannattavuudesta. \nTyö jakaantui kolmeen osaan: Kirjallisuustutkimukseen polttoainetuotannon lähtökohdista, alustavaan prosessisuunnitteluun sekä investointilaskelmiin. Tuotannon lähtökohtiin kuului selvitys raaka-aineen ja mahdollisten lopputuotteiden luokittelusta, standardeista ja polttoaineominaisuuksista sekä valmistustekniikoista. Polttoainevaihtoehdoiksi valikoituivat puumurske, puupelletti sekä paahtopelletti. Alustavassa prosessisuunnittelussa selvitettiin, miten kunkin polttoainevaihtoehdon tuotantoprosessi voitaisiin järjestää asiakasyrityksen tuotantoalueella. Lopuksi tutkittiin tuotanprosessivaihtoehtojen kannattavuutta. \nBiopolttoaineiden valmistus kierrätyspuusta näyttää olevan erittäin kannattavaa toimintaa. Pääsyy tähän on materiaalin edullinen tai jopa negatiivinen hinta. Sopivan polttoainetyypin valintaan vaikuttaa yrityksen olemassa oleva infrastruktuuri, etäisyys voimalaitoksista sekä niiden koko ja käytettävissä olevan raaka-aineen määrä. Asiakasyrityksen tapauksessa järkevintä näyttäisi olevan puu- tai paahtopelletin valmistus. Se tarjoaa tilaisuuden nostaa alueen energiatehokkuutta, kun kuivuri ja prosessijärjestelyt valitaan oikein. Puupelletin valmistus oli taloudellisen tarkastelun perusteella kannattavampaa mutta siinä investointisummat voivat jäädä niin pieniksi, ettei projektille voida myöntää investointitukea. Paahtopelletin tuotantoon saadaan todennäköisemmin ja korkeampaa investointitukea, joka tekisi siitä käytännössä yhtä kannattavaa kuin puupelletin tuottamisesta. Paahtopelletin markkinat ovat suuremmat ja vähemmän kilpaillut mutta sen valmistukseen liittyy toisaalta runsaasti uuden teknologian epävarmuutta, johon kierrätyspuussa olevat kemialliset epäpuhtaudet tuovat vielä oman lisänsä.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.120 | 0.035 |
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 source (direct Gemma or distilled Codex), 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".