Thermal Decomposition of Acetic and Formic Acid Catalyzed by Red Mud—Implications for the Potential Use of Red Mud as a Pyrolysis Bio-Oil Upgrading Catalyst§Dedicated to Prof. Ulf Schuchardt on the occasion of his retirement.
Notice bibliographique
Résumé
Acetic and formic acid impart a high acidity on pyrolysis bio-oil (obtained by fast pyrolysis of ligno-cellulosic biomass), which is one of the factors preventing its direct use as a fuel. At temperatures ≥ 330 °C, Red Mud, a waste byproduct of the aluminum industry produced at >70 million tons p.a., is a good catalyst for thermal decomposition of these acids. Formic acid can serve as an internal source of hydrogen through the formation of synthesis gas and the water gas shift reaction. The formation of C 6 −C 10 hydrocarbons in the nonpolar phase of the resulting product mixture and the identification of C 3 and C 4 hydrocarbons and CO 2 in the gas phase and acetone in the polar liquid phases can be rationalized through mechanisms involving ketene as the intermediate formed by acetic acid dehydration, with subsequent formation of acetone. Higher hydrocarbons, mostly alkanes and alkenes, are then formed through iterative aldol condensation, hydrogenation, hydrogenolysis, and deoxygenation reactions of the primary products. During the reaction, the Red Mud used in these reactions undergoes a distinct color change to gray, yielding a nonalkaline magnetic material containing Fe 3 O 4 and metallic iron rather than Fe 2 O 3 .
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) | 0,001 | 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 ».