MétaCan
Menu
Retour à la cohorte
Enregistrement W1990876846 · doi:10.1021/es800532b

Novel Regenerable Sorbent for Mercury Capture from Flue Gases of Coal-Fired Power Plant

2008· article· en· W1990876846 sur OpenAlexaff
Yan Liu, David Kelly, Hongqun Yang, Christopher Lin, Steve M. Kuznicki, Zhenghe Xu

Notice bibliographique

RevueEnvironmental Science & Technology · 2008
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMercury impact and mitigation studies
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésMercury (programming language)SorbentFlue gasChemistryEnvironmental chemistryAdsorptionWaste management

Résumé

récupéré en direct d'OpenAlex

A natural chabazite-based silver nanocomposite (AgMC) was synthesized to capture mercury from flue gases of coal-fired power plants. Silver nanoparticles were engineered on zeolite through ion-exchange of sodium ions with silver ions, followed by thermal annealing. Mercury sorption test using AgMC was performed at various temperatures by exposing it to either pulse injection of mercury or continuous mercury flow. A complete capture of mercury by AgMC was achieved up to a capture temperature of 250 degrees C. Nano silver particles were shown to be the main active component for mercury capture by amalgamation mechanism. Compared with activated carbon-based sorbents, the sorbent prepared in this study showed a much higher mercury capture capacity and upper temperature limit for mercury capture. More importantly, the mercury captured by the spent AgMC could be easily released for safe disposal and the sorbent regenerated by simple heating at 400 degrees C. Mercury capture tests performed in real flue gas environment showed a much higher level of mercury capture by AgMC than by other potential mercury sorbents tested. In our mercury capture tests, the AgMC exposed to real flue gases showed an increased mercury capture efficiency than the fresh AgMC.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,096
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,004
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,225
Écart entre enseignants0,210 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations104
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnvironmental Science & TechnologyMême sujetMercury impact and mitigation studiesTravaux en français237 207