Artificial photosynthesis of fuels and valuable compounds from CO2 and H2O, as a flawless method, has aroused universal interest. Metal-free catalytic materials with balanced efficiency and stability have rarely been...

A thermochemical energy storage (TCES) system integrated with a concentrated solar power (CSP) plant can smoothly supply renewable electricity. In the current study, a novel system scheme based on the cogeneration of electricity, thermal energy storage, and hydrogen production has been proposed and analyzed. The system is divided into four units: a charging section, a discharging section, a power block, and a methanol steam reforming (MSR) unit. The proposed system is powered by solar energy, some part of which is utilized in the power block for electricity generation, and the remaining is stored in the charging section by a CaCO3/CaO-based TCES system. At the same time, the hydrogen is produced in the MSR unit that is powered by thermal energy supplied by the power block. Furthermore, the proposed system works in two modes: sunshine and night modes. Exergy analysis, along with sensitivity analysis based on power conditions, is performed for the whole system. The results reveal that the inlet temperature of turbines is the most influential parameter in sunshine mode. Upon increasing its value, the heat supply to the MSR unit is enhanced by 10.3%. Similarly, cycle intermediate pressure enhances the heat supply to the MSR unit by 10.4% in night mode. The exergy values recovered by the MSR unit in the sunshine and night modes are 12.19 MW and 29.64 MW, respectively. The MSR reaction is carried out at 246 °C and 1 atm with a water-to-methanol ratio of 5.6 that yields 997.7 kmol/h and 2481.5 kmol/h of H2 in sunshine and night modes, respectively.

ABSTRACT Underwater autonomous capture operations offer significant potential for reducing labor and health risks in sea organism industries. This study presents a comprehensive solution for cross‐domain underwater object detection and autonomous capture. A novel unsupervised domain adaptive learning method is proposed, integrating multiscale domain adaptive modules and attention mechanisms into a Faster Region‐Convolutional Neural Network framework. This approach enhances feature alignment across diverse aquatic domains without parameter tuning. Additionally, an efficient, parameterless constrained multiobjective optimization algorithm is introduced for underwater autonomous mobile capture, integrating parameterized trajectory planning with innovative features, such as adaptive mutation strategies and constraint violation tolerance. The proposed approaches are extensively validated through simulations, tank experiments, and real‐world oceanic trials in the Natural Aquatic Farm of Zhangzidao Island. Results demonstrate the system's robustness in complex underwater environments with varying currents, with experimental outcomes validating the accuracy and reliability of detection and capture capabilities. This research significantly advances autonomous underwater systems' capabilities in object detection and capture tasks, addressing complex challenges in realistic organism capture applications across diverse aquatic environments.