MétaCan
Menu
Retour à la cohorte
Enregistrement W2213546752 · doi:10.3390/ma9010020

Activation of Aspen Wood with Carbon Dioxide and Phosphoric Acid for Removal of Total Organic Carbon from Oil Sands Produced Water: Increasing the Yield with Bio-Oil Recycling

2016· article· en· W2213546752 sur OpenAlexaff
Andrei Veksha, Tazul I. Bhuiyan, Josephine M. Hill

Notice bibliographique

RevueMaterials · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueThermochemical Biomass Conversion Processes
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésActivated carbonPyrolysisPhosphoric acidAdsorptionCarbon fibersChemistryCarbon dioxideYield (engineering)Pulp and paper industryWaste managementMaterials scienceOrganic chemistryComposite material

Résumé

récupéré en direct d'OpenAlex

Several samples of activated carbon were prepared by physical (CO₂) and chemical (H₃PO₄) activation of aspen wood and tested for the adsorption of organic compounds from water generated during the recovery of bitumen using steam assisted gravity drainage. Total organic carbon removal by the carbon samples increased proportionally with total pore volume as determined from N₂ adsorption isotherms at -196 °C. The activated carbon produced by CO₂ activation had similar removal levels for total organic carbon from the water (up to 70%) to those samples activated with H₃PO₄, but lower yields, due to losses during pyrolysis and activation. A method to increase the yield when using CO₂ activation was proposed and consisted of recycling bio-oil produced from previous runs to the aspen wood feed, followed by either KOH addition (0.48%) or air pretreatment (220 °C for 3 h) before pyrolysis and activation. By recycling the bio-oil, the yield of CO₂ activated carbon (after air pretreatment of the mixture) was increased by a factor of 1.3. Due to the higher carbon yield, the corresponding total organic carbon removal, per mass of wood feed, increased by a factor of 1.2 thus improving the overall process efficiency.

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 enseignants0,002
Score d'incertitude au seuil0,299

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 Opus0,007
Tête enseignante GPT0,175
Écart entre enseignants0,168 · 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

Citations34
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMaterialsMême sujetThermochemical Biomass Conversion ProcessesTravaux en français237 207