MétaCan
Menu
Retour à la cohorte
Enregistrement W2048679198 · doi:10.1021/ie8020126

Catalytic Conversion of Thiophene under Mild Conditions over a ZSM-5 Catalyst. A Kinetic Model

2009· article· en· W2048679198 sur OpenAlexafffund
Lisette Jaimes, Hugo de Lasa

Notice bibliographique

RevueIndustrial & Engineering Chemistry Research · 2009
Typearticle
Langueen
DomaineEngineering
ThématiqueCatalysis and Hydrodesulfurization Studies
Établissements canadiensWestern University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésThiopheneBenzothiopheneFlue-gas desulfurizationCatalysisGasolineZeoliteCokeChemistryZSM-5Fluid catalytic crackingOctaneChemical engineeringOrganic chemistryThermodynamicsMaterials science

Résumé

récupéré en direct d'OpenAlex

Currently, refiners consider the post-treatment of FCC gasoline processes to be a viable and likely less costly path for meeting environmental regulations on sulfur. Several promising catalytic desulfurization post-treatment processes do not require hydrogen addition and use zeolites. This type of desulfurization leads to significant levels of coke, and as a result, it is being considered for implementation in twin fluid beds (reactor and regenerator) to maintain the catalyst activity. This study evaluates the conversion of thiophene on H-ZSM-5 zeolite in a silica matrix. Experiments were carried out in the CREC fluidized riser simulator under mild conditions using thiophene/ n -octane and thiophene/1-octene mixtures. The results show a high and selective thiophene conversion. It is speculated that thiophene conversion takes place via ring opening and alkylation to form H 2 S, aromatics, alkylthiophenes, benzothiophene, and coke. These observations are in agreement with previous thermodynamic analyses. On this basis, a reaction network and kinetic model are proposed. Numerical regression leads to kinetic parameters with narrow spans, suggesting that the proposed model satisfactorily simulate thiophene removal under the suggested gasoline post-treatment conditions.

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 candidatesaucune
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 enseignants0,174
Score d'incertitude au seuil0,990

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,075
Tête enseignante GPT0,316
Écart entre enseignants0,241 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations27
Publié2009
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIndustrial & Engineering Chemistry ResearchMême sujetCatalysis and Hydrodesulfurization StudiesTravaux en français237 207