Increasing urbanization and industrialization have led to a phenomenal growth in transportation demand worldwide, coupled with a concentration of vehicles in metropolitan cities. With regard to increasingly stringent emission legislation natural gas is gaining interest as a transportation fuel with worldwide over 19 million natural gas vehicles in operation. This paper presents the worldwide background, prospects and challenges of natural gas fuel and natural gas fueled vehicles along with environmental and economic aspects of compressed natural gas as a transformation fuel. Technical aspects of compressed natural gas properties, storage, safety problems and its effect on engine performance, efficiency, emissions and barriers to natural gas vehicles adaptation are discussed in detail. The main indicators selected for the comparative assessment of natural gas as vehicular fuel are: economic, emission performance and safety aspect. The results showed that CNG has several advantages over both diesel and gasoline fuel, including considerable emission and cost reductions.

The pressing need to mitigate climate change has led to the widespread adoption of photovoltaic (PV) solar panels as a renewable energy solution. However, the increasing disposal of end-of-life solar panels presents significant environmental challenges, as they contain valuable elements that can potentially be recycled and reused. This article reviews a novel approach to waste valorization and recycling within the circular economy framework by harnessing valuable elements from retired solar panels as alternative construction materials, thereby contributing to building climate resilience. Through case studies in China, Japan, Brazil, US, Germany, and Brazil, this study explores the feasibility and benefits of repurposing elements such as silicon, glass, and metals from decommissioned solar panels for construction applications. Key findings indicate that significant quantities of these materials can be recovered through efficient recycling processes, offering a sustainable solution to reduce waste and promote resource efficiency. Numerical assessments reveal that up to 90% of silicon and 95% of glass from end-of-life solar panels can be effectively recycled, thereby minimizing the environmental footprint associated with their disposal. Moreover, this approach not only diverts waste from landfills but also reduces the demand for virgin materials, thus conserving natural resources and lowering carbon emissions. The incorporation of recycled materials into construction projects enhances the circularity of the economy by closing material loops and promoting a regenerative approach to resource management. Furthermore, the utilization of recycled materials in construction enhances the resilience of built environments to climate change impacts by reducing energy consumption, mitigating greenhouse gas (GHG) emissions, and enhancing structural durability. Overall, this article underscores the potential of waste valorization and recycling from solar panels to contribute to a sustainable and resilient built environment, aligning with broader efforts to address climate change and advance circular economy in waste sector.

This research presents a comprehensive approach to improving the accuracy of wind turbine power curve (WTPC) modeling. The WTPC is a critical tool for monitoring wind turbine performance and estimating wind power potential, but current models have limited ability to capture the complex relationship between wind speed and power output. To address these limitations, this study implements a dual-pronged refinement of WTPC modeling. First, an innovative data preprocessing technique is introduced, using a 97% confidence interval around a KNN-estimated WTPC constructed using the Laplace distribution to meticulously eliminate prominent outliers. Second, a novel WTPC modeling approach based on quantile regression is adopted, accounting for the asymmetric error characteristics in the loss function. Four distinct quantile regression models are developed, including three tree-based algorithms - decision trees, random forests, and gradient boosting - and a deep learning-based quantile regression neural network. Comparative analysis against ten established parametric and nonparametric techniques confirms the superiority of the proposed models, with the decision tree quantile regression model achieving the lowest validation errors. The proposed techniques are validated on two real-world datasets from operational wind turbines in Turkey and China, demonstrating significant improvements in WTPC modeling accuracy compared to conventional methods. Overall, this study successfully presents a comprehensive modeling approach that addresses outliers and leverages quantile regression to significantly enhance WTPC accuracy.

Fractional calculus plays a pivotal role in modern scientific and engineering disciplines, providing more accurate solutions for complex fluid dynamics phenomena due to its non-locality and inherent memory characteristics. In this study, Caputo’s time fractional derivative operator approach is employed for heat and mass transfer modeling in unsteady Maxwell fluid within a cylinder. Governing equations within a cylinder involve a system of coupled, nonlinear fractional partial differential equations (PDEs). A machine learning technique based on the Levenberg–Marquardt scheme with a backpropagation neural network (LMS-BPNN) is employed to evaluate the predicted solution of governing flow equations up to the required level of accuracy. The numerical data sheet is obtained using series solution approach Homotopy perturbation methods. The data sheet is divided into three portions i.e., 80% is used for training, 10% for validation, and 10% for testing. The mean-squared error (MSE), error histograms, correlation coefficient (R), and function fitting are computed to examine the effectiveness and consistency of the proposed machine learning technique i.e., LMS-BPNN. Moreover, additional error metrics, such as R-squared, residual plots, and confidence intervals, are incorporated to provide a more comprehensive evaluation of model accuracy. The comparison of predicted solutions with LMS-BPNN and an approximate series solution are compared and the goodness of fit is found. The momentum boundary layer became higher and higher as there was an enhancement in the value of Caputo, fractional order α = 0.5 to α = 0.9. Higher thermal boundary layer (TBL) profiles were observed with the rising value of the heat source.

Renewable Energy Sources (RESs) such as hydro, wind, and solar are merging as preferred alternatives to fossil fuels. Among these RESs, solar energy is the most ideal solution; it is gaining extensive interest around the globe. However, due to solar energy’s intermittent nature and sensitivity to environmental parameters (e.g., irradiance, dust, temperature, aging and humidity), real-time solar plant monitoring is imperative. This paper’s contribution is to compare and analyze current IoT trends and propose future research directions. As a result, this will be instrumental in the development of low-cost, real-time, scalable, reliable, and power-optimized solar plant monitoring systems. In this work, a comparative analysis has been performed on proposed solutions using the existing literature. This comparative analysis has been conducted considering five aspects: computer boards, sensors, communication, servers, and architectural paradigms. IoT architectural paradigms employed have been summarized and discussed with respect to communication, application layers, and storage capabilities. To facilitate enhanced IoT-based solar monitoring, an edge computing paradigm has been proposed. Suggestions are presented for the fabrication of edge devices and nodes using optimum compute boards, sensors, and communication modules. Different cloud platforms have been explored, and it was concluded that the public cloud platform Amazon Web Services is the ideal solution. Artificial intelligence-based techniques, methods, and outcomes are presented, which can help in the monitoring, analysis, and management of solar PV systems. As an outcome, this paper can be used to help researchers and academics develop low-cost, real-time, effective, scalable, and reliable solar monitoring systems.