MétaCan
Menu
Retour à la cohorte
Enregistrement W2110685603 · doi:10.1002/cjce.22187

Numerical evaluation and improvement efficiency of radial flow moving‐bed reactors for catalytic pyrolysis of light hydrocarbons to low carbon olefins

2015· article· en· W2110685603 sur OpenAlexvenueno aff
Fang‐Zhi Xiao, Houyang Chen, Zheng‐Hong Luo

Notice bibliographique

RevueThe Canadian Journal of Chemical Engineering · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueThermochemical Biomass Conversion Processes
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMicroreactorPyrolysisHeat transferYield (engineering)Materials scienceMechanicsPlug flow reactor modelFlow (mathematics)Volumetric flow rateCarbon fibersLaminar flow reactorContinuous reactorCatalysisChemical engineeringThermodynamicsChemistryContinuous stirred-tank reactorComposite materialOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

A three‐dimensional (3D) reactor model based on the Eulerian‐Eulerian approach was applied to describe the gas‐solid flow and heat transfer performance in a radial flow moving bed reactor (RFMBR). A six‐lumped kinetic model for the catalytic pyrolysis of C 4 hydrocarbon was employed. The heat transfer characteristics and species concentration profiles were investigated in the reactor under various reaction conditions. Effects of operation parameters and reactor structures on the reactor performance were also evaluated and optimized numerically. Simulation results show that there exists a good heat transfer performance between gas and solid phases in the catalyst bed. The temperature profiles and the species yield distributions are different with respect to bed height positions. Moreover, the results indicate that product yield is more sensitive to the reaction temperature than to the dilution rate and the reaction residence time. For the Z‐type centripetal flow RFMBR, an annular tube with an inverted cone structure is helpful to improve the uniformity of flow distribution and increase low‐carbon olefins yields.

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)0,001
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 enseignants0,076
Score d'incertitude au seuil0,502

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
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 GPT0,194
Écart entre enseignants0,186 · 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

Citations5
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Chemical EngineeringMême sujetThermochemical Biomass Conversion ProcessesTravaux en français237 207