MétaCan
Menu
Retour à la cohorte
Enregistrement W2170079804 · doi:10.1109/eicccc.2006.277177

Reduction of sulphur gas emissions using activated carbon

2006· article· en· W2170079804 sur OpenAlexafffund
Ramin Azargohar, Ajay K. Dalai

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueIndustrial Gas Emission Control
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésChemistryActivated carbonInorganic chemistrySulfurAcid gasCharAdsorptionCarbon fibersCoalCarbon dioxideNitric acidCatalysisCombustionPotassium hydroxideMaterials scienceOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Sulphur dioxide, as one of the gases responsible for acid rain, is produced mainly by coal-fired power stations. Shifting to fuels with a lower carbon-to-hydrogen ratio, such as natural gas, is generally considered as an effective method to reduce greenhouse gas emissions and to drop the concentration of sulphur dioxide in the atmosphere. Elimination of hydrogen sulphide from natural gas is necessary for its corrosive effects and production of sulphur dioxide in combustion process. Activated carbon can convert this compound to elemental sulphur and water in an oxidation reaction. In this study, activated carbon produced from luscar char was used for this reaction. The effects of porous characteristics and surface chemistry on the performance of catalyst were studied using diffuse reflectance infrared Fourier transform spectroscopy, nitrogen adsorption and temperature programmed desorption methods. It is shown that oxidation of activated carbon by nitric acid increased surface oxygen groups on activated carbon, which can be thermally desorbed at the next step. This product has more active sites in comparison to original activated carbon and shows a better performance in oxidation reaction. Applying impregnating agents, especially potassium iodide reduces the production of sulphur dioxide in the reaction as an undesirable product.

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 enseignants0,028
Score d'incertitude au seuil0,347

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 technologies0,0000,000
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 Opus0,018
Tête enseignante GPT0,225
Écart entre enseignants0,208 · 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

Citations0
Publié2006
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetIndustrial Gas Emission ControlTravaux en français237 207