Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Van Krevelen diagrams based on machine learning visualize feedstock-product relationships in thermal conversion processes

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27650%2F23%3A10254087" target="_blank" >RIV/61989100:27650/23:10254087 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://www.nature.com/articles/s42004-023-01077-z" target="_blank" >https://www.nature.com/articles/s42004-023-01077-z</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1038/s42004-023-01077-z" target="_blank" >10.1038/s42004-023-01077-z</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Van Krevelen diagrams based on machine learning visualize feedstock-product relationships in thermal conversion processes

  • Popis výsledku v původním jazyce

    Feedstock properties play a crucial role in thermal conversion processes, where understanding the influence of these properties on treatment performance is essential for optimizing both feedstock selection and the overall process. In this study, a series of van Krevelen diagrams were generated to illustrate the impact of H/C and O/C ratios of feedstock on the products obtained from six commonly used thermal conversion techniques: torrefaction, hydrothermal carbonization, hydrothermal liquefaction, hydrothermal gasification, pyrolysis, and gasification. Machine learning methods were employed, utilizing data, methods, and results from corresponding studies in this field. Furthermore, the reliability of the constructed van Krevelen diagrams was analyzed to assess their dependability. The van Krevelen diagrams developed in this work systematically provide visual representations of the relationships between feedstock and products in thermal conversion processes, thereby aiding in optimizing the selection of feedstock and the choice of thermal conversion technique

  • Název v anglickém jazyce

    Van Krevelen diagrams based on machine learning visualize feedstock-product relationships in thermal conversion processes

  • Popis výsledku anglicky

    Feedstock properties play a crucial role in thermal conversion processes, where understanding the influence of these properties on treatment performance is essential for optimizing both feedstock selection and the overall process. In this study, a series of van Krevelen diagrams were generated to illustrate the impact of H/C and O/C ratios of feedstock on the products obtained from six commonly used thermal conversion techniques: torrefaction, hydrothermal carbonization, hydrothermal liquefaction, hydrothermal gasification, pyrolysis, and gasification. Machine learning methods were employed, utilizing data, methods, and results from corresponding studies in this field. Furthermore, the reliability of the constructed van Krevelen diagrams was analyzed to assess their dependability. The van Krevelen diagrams developed in this work systematically provide visual representations of the relationships between feedstock and products in thermal conversion processes, thereby aiding in optimizing the selection of feedstock and the choice of thermal conversion technique

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    10200 - Computer and information sciences

Návaznosti výsledku

  • Projekt

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2023

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Communications Chemistry

  • ISSN

    2399-3669

  • e-ISSN

    2399-3669

  • Svazek periodika

    6

  • Číslo periodika v rámci svazku

    1

  • Stát vydavatele periodika

    DE - Spolková republika Německo

  • Počet stran výsledku

    10

  • Strana od-do

  • Kód UT WoS článku

    001122502600001

  • EID výsledku v databázi Scopus

    2-s2.0-85179331588