Hydro-treating of Asphaltenes in Supercritical Toluene with MgO-Supported Fe, Ni, NiMo, and CoMo Catalysts
Notice bibliographique
Résumé
For the first time, the AVTB-derived asphaltenes (containing very high concentrations of sulfur (7.70 wt % S) and nitrogen (1.08 wt % N)) were hydrotreated over novel MgO-supported Fe, Ni, NiMo, and CoMo catalysts in supercritical toluene at 380 °C under hydrogen of 5 MPa (cold pressure) in a batch reactor. The supercritical toluene alone without any catalyst was found to be effective for conversion of the highly aromatic asphaltenes (AS) to less aromatic maltenes (MA) through a thermal cracking mechanism. All the MgO-supported catalysts proved to be effective for hydro-conversion of AS to MA in supercritical toluene. The activities of these catalysts for AS conversion showed the order of sequence of Fe/MgO < Ni/MgO < CoMo/MgO < NiMo/MgO. Among all the MgO-supported catalysts tested, NiMo/MgO was found to be the most active one for promoting the removal of sulfur and AS. The sulfur/nitrogen/AS removal efficiencies for the NiMo/MgO catalyst increased with the treatment time, and the efficiencies at 120 min of treatment attained as high as 43%, 30%, and 70%, respectively. The MgO-supported catalysts showed excellent performance for preventing and retarding the formation of highly condensed aromatics or coke in the hydro-treatment of AS in supercritical toluene. With the presence of NiMo/MgO catalyst, hydro-treating AS in the supercritical toluene for a reaction time up to 120 min produced a strikingly low yield (<0.7%) of toluene-insoluble product.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 source (Gemma direct ou Codex distillé), 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 ».