MétaCan
Menu
Back to cohort
Record W7578701

Småskalig rökgasrening : metoder för att minska utsläppen från småskalig biobränsleeldning

2011· article· en· W7578701 on OpenAlexaboutno aff
Tomas Persson, Kaung Myat Win

Bibliographic record

Venuenot available
Typearticle
Languageen
FieldEngineering
TopicThermochemical Biomass Conversion Processes
Canadian institutionsnot available
Fundersnot available
KeywordsPhysics
DOInot available

Abstract

fetched live from OpenAlex

Emissioner (utsläpp) från biobränsleeldning och därtill hörande hälsorisker har varit föremål för stora forskningssatsningar. Detta arbete avser att sammanställa olika åtgärder som kan vidtas inom småskalig biobränsleeldning för att ytterligare minska utsläppen. Arbetet bygger på en litteraturstudie där databaser och Internet har genomsökts efter litteratur och publikatio-ner, som redovisar olika tekniker för utsläppsminskningar. Undersökningen ska ge en över-blick över olika tekniker för emissionsminskning och dessutom försöka kvantifiera minsk-ningspotentialen med respektive teknik.Genomgången visar på en rad olika möjligheter för att minska emissionerna. Det innefattar primära åtgärder som optimal eldstadsutformning och att elda rätt. Stora minskningar kan också göras genom att styra lufttillförseln på ett bra sätt, till exempel genom stegad lufttillför-sel och användning av gassensorer. Mer avancerad teknik för att styra start och stopp samt eventuell effektreglering av brännare kan också minska emissionerna. Solvärme minskar emissionerna under sommarhalvåret genom att ersätta låglastdriften, som har högst emissioner per producerad kWh. Gemensamt för ovanstående åtgärder är, att de också ökar systemens verkningsgrad och därmed finns ett ekonomiskt motiv till att genomföra åtgärderna.Tekniker för aktiv rening, som elektrostatiska filter och katalysatorer, har svårare att komma ut på marknaden, då de inte ger några ekonomiska vinster för brukaren. Här krävs i så fall att myndighetskraven skärps.För att minska emissionerna från småskalig eldning ur ett nationellt perspektiv är det främst från den småskaliga vedeldningen som emissionerna måste minskas. Här kan man snabbast nå minskningar genom utbildning av dem som eldar med ved samt genom att införa ackumula-tortankar. Emissioner från lokaleldstäder blir svårast att minska då det fortfarande installeras icke miljögodkänd utrustning och då livslängden för dessa eldstäder är mycket lång.

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)0.003
metaresearch head score (Gemma)0.005
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: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.054
Threshold uncertainty score0.152

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0030.005
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0010.000
Bibliometrics0.0010.001
Science and technology studies0.0060.002
Scholarly communication0.0060.003
Open science0.0010.004
Research integrity0.0020.002
Insufficient payload (model declined to judge)0.0450.008

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 head0.027
GPT teacher head0.198
Teacher spread0.171 · 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

Citations1
Published2011
Admission routes1
Has abstractyes

Explore more

Same topicThermochemical Biomass Conversion ProcessesFrench-language works237,207