Novel Carbon-supported Transition Metal Phosphide Catalysts for Hydrodeoxygenation of Fast Pyrolysis Oil
Notice bibliographique
Résumé
Catalytic hydrodeoxygenation (HDO) is considered to be the most promising route to upgrade pyrolysis oil to liquid transportation fuels. The objective of this research was to explore inexpensive supported metal oxides/metal phosphide catalysts for the upgrading of pyrolysis oil into advanced drop-in hydrocarbon liquid fuels by HDO.\nThe first stage of this thesis project investigates a series of molybdenum oxides/phosphide catalysts on different supports that were prepared in-house, such as Al2O3, activated carbon (AC), MgAl2O4 and Mg6Al2(CO3)(OH)16. The HDO activity of these catalysts were investigated using a 100 mL bench-scale reactor operating at 300 °C with an initial hydrogen pressure of 50 bar for 3 h. The catalytic efficiency were compared with a commercially available Ru/C catalyst, and the most active catalyst was selected, i.e., MoP/AC. Two other transition metal phosphides Nickel and Cobalt were also prepared in the same manner using AC support, and their catalytic activities for HDO of pyrolysis oil were compared. The activities of the three catalysts were found to be in the order of NiP/AC > CoP/AC > MoP/AC.\nThe second stage of the project aimed to optimize the addition of phosphorous. A series of supported nickel and cobalt phosphide catalysts with different metal/ phosphorous (M/P) ratios (mol/mol) were prepared and their catalytic activities studied for HDO of pyrolysis oil. Addition of phosphorous to the both Nikel and Cobalt at certain M/P ratios greatly influenced H2 consumption, oil yield, the degree of deoxygenation and HHV values of the upgraded bio-oils. The fresh/spent catalysts were characterized by BET, XPS, TEM and XRD, and the upgraded bio-oils were characterized using Karl Fischer titration, GPC, elemental analysis and GC/MS.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».