MétaCan
Menu
Back to cohort
Record W7162001622 · doi:10.82308/46690

Pyrolysis of Miscanthus: process optimization and life cycle assessment

2022· dissertation· en· W7162001622 on OpenAlexaboutno aff
Vishal Lakshman

Bibliographic record

Venuenot available
Typedissertation
Languageen
FieldEngineering
TopicThermochemical Biomass Conversion Processes
Canadian institutionsnot available
Fundersnot available
KeywordsPyrolysisMashingSugar industryDistillation

Abstract

fetched live from OpenAlex

L'utilisation de carbone (C) fossile à des fins de chauffage dans des régions froides comme le Québec (Canada) constitue une menace majeure pour l'environnement à long terme. La culture du Miscanthus sur des terres marginales fournit une source de C biogénique qui peut être utilisée pour produire de la bioénergie et des bioproduits, remplaçant les sources de C fossile. Par exemple, le Miscanthus peut être utilisé comme intrant pour la pyrolyse, qui est un procédé de conversion thermochimique de la biomasse à haute température en l'absence d'oxygène, produisant un solide (biochar), un liquide (bio-huile et phase aqueuse) et des gaz non condensables. L'objectif principal de cette thèse est d'étudier les performances environnementales d'une bioraffinerie de pyrolyse utilisant le Miscanthus comme intrant et d’identifier les paramètres cls ayant une influence sur l’impact environmental.Il est reconnu que les rendements et les propriétés des produits de pyrolyse dépendent de la biomasse et des paramètres de fonctionnement de la pyrolyse. Par conséquent, afin d'établir le bilan massique de la bioraffinerie, des expériences de pyrolyse avec un réacteur de pyrolyse à vis verticale ont été réalisées en utilisant une gamme de paramètres de pyrolyse (température, temps de séjour de la biomasse et débit de N2) déterminés à partir de la littérature et d’expériences préliminaires.Quinze tests de pyrolyse ont été effectués selon un plan expérimental Box-Behnken basée sur la méthodologie de surface de réponses (RSM) afin d’identifier les paramètres de fonctionnement optimaux permettant de produire une bio-huile ayant une teneur en eau minimale. Les résultats ont démontré que les paramètres optimaux étaient une température de 510°C, un temps de résidence de la biomasse de 81 s et un débit de N2 de 5,1 L min-1. Ces résultats ont été utilisés pour extrapoler le bilan massique d'une bioraffinerie de pyrolyse traitant 1000 kg de Miscanthus (d.b.).Une analyse de cycle de vie conséquentielle (ACV-C) a été réalisée pour évaluer la performance environnementale de la bioraffinerie de pyrolyse. La frontière du système comprenait toutes les activités, de la culture du Miscanthus à l'utilisation des coproduits de la pyrolyse. Le Miscanthus considéré ici est cultivé sur un sol marginal. L’ACV-C compare un scénario de pyrolyse (1 tonne de Miscanthus cultivé sur terre marginale) et un scénario de référence (terre marginale inutilisée). Les résultats ont démontré que la performance environnementale du scénario de pyrolyse est meilleure que le scénario de référence dans 4 des 16 catégories d'impact évaluées. Entre autres, l'impact sur le changement climatique du scénario de pyrolyse ne dépasse le scénario de référence que de 79,5 kg CO2 eq. De plus, une analyse de sensibilité a été réalisée pour tenir compte de la variabilité de trois paramètres (le rendement en biomasse, les valeurs de séquestration de C du biochar et les niveaux standard de carbone organique du sol) qui ont un impact important sur la performance environnementale du scénario de pyrolyse. Les résultats de l'étude montrent que la chaîne d'approvisionnement en biomasse, les paramètres de pyrolyse, ainsi que le choix des technologies marginales remplacées, jouent un rôle important dans la performance environnementale des bioraffineries de pyrolyse

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 imitation

Not 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.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.001
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: Bench or experimental
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.009
Threshold uncertainty score0.019

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.001
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0000.001
Bibliometrics0.0000.001
Science and technology studies0.0000.000
Scholarly communication0.0010.000
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0010.000

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.

Opus teacher head0.004
GPT teacher head0.238
Teacher spread0.233 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designBench or experimental
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2022
Admission routes1
Has abstractyes

Explore more

Same topicThermochemical Biomass Conversion ProcessesFrench-language works237,207