MétaCan
Menu
Retour à la cohorte
Enregistrement W2087743624 · doi:10.1021/ef060566u

Reforming of Isooctane over Ni−Al<sub>2</sub>O<sub>3</sub> Catalysts for Hydrogen Production:  Effects of Catalyst Preparation Method and Nickel Loading

2007· article· en· W2087743624 sur OpenAlexaff
Hussameldin Ibrahim, Prashant Kumar, Raphael Idem

Notice bibliographique

RevueEnergy & Fuels · 2007
Typearticle
Langueen
DomaineMaterials Science
ThématiqueCatalytic Processes in Materials Science
Établissements canadiensUniversity of Regina
Organismes subventionnairesnon disponible
Mots-clésCatalysisCalcinationNickelSpace velocityDispersion (optics)HydrogenSelectivityHydrogen productionMaterials scienceChemical engineeringCatalyst supportInorganic chemistryChemistryMetallurgyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

The production of hydrogen via the partial oxidation of isooctane was evaluated using a variety of Ni−Al 2 O 3 catalysts . The effects of catalyst preparation method, nickel loading, and calcination temperature, as well as the reaction operating conditions (such as reaction temperature and space velocity), on the performance of the Ni−Al 2 O 3 catalysts prepared were evaluated. These catalysts were thoroughly characterized to establish the relationship between catalyst characteristics and catalyst preparation conditions. Results showed that a high BET surface area enhances nickel dispersion, which, together with high catalyst reducibility, help to enhance the catalyst performance, in terms of isooctane conversion, H 2 selectivity, and turnover number (TON). In each preparation method, it was not possible to obtain high catalyst reducibility together with high nickel dispersion. Thus, the trends observed were manifestations of the opposing tendencies of these characteristics. Also, an increase in calcination temperature was determined to have a detrimental effect on catalyst performance and resulted in an increase in the amount of carbon deposited during the reaction.

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)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,014
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,008
Tête enseignante GPT0,271
Écart entre enseignants0,263 · 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

Citations25
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergy & FuelsMême sujetCatalytic Processes in Materials ScienceTravaux en français237 207