MétaCan
Menu
Retour à la cohorte
Enregistrement W2315338424 · doi:10.1021/jp2005309

Mössbauer Spectroscopy and Catalytic Reaction Studies of Chrysotile-Catalyzed Steam Reforming of Benzene

2011· article· en· W2315338424 sur OpenAlexaffabout
A. Sarvaramini, Faı̈çal Larachi

Notice bibliographique

RevueThe Journal of Physical Chemistry C · 2011
Typearticle
Langueen
DomaineEngineering
ThématiqueThermochemical Biomass Conversion Processes
Établissements canadiensUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésCatalysisChrysotileSyngasBenzenetar (computing)Chemical engineeringSpace velocityFluid catalytic crackingMaterials scienceZinc ferriteHematiteChemistryInorganic chemistryMetallurgyOrganic chemistryZinc

Résumé

récupéré en direct d'OpenAlex

Chrysotile, a naturally occurring iron-bearing magnesium hydroxide phyllosilicate found in mine and milling residue heaps from southern Québec, was tested for its potential use as a tar-cracking catalyst in biomass steam gasification. Interspersed within the chrysotile mineral, magnetite impurities were recognized to confer tar-cracking catalytic properties to the material. Chrysotile steam-reforming activity was probed using benzene model tar compound at various temperatures, gas hourly space velocities, and catalyst pretreatments. The activity of air-calcined chrysotile (converted to hematite-containing forsterite) was benchmarked against that of olivine catalyst with nearly equal iron content. Mössbauer spectroscopy combined with temperature programmed reduction studies, syngas yield, and benzene conversion responses enabled recognizing the role of the various oxidation states and coordination environments of iron as a function of pretreatment conditions of the catalyst. The study’s findings were rationalized in terms of iron deportment and BET specific surface area of the minerals to explain the 5-fold increase of benzene conversion and syngas yield of chrysotile over olivine for similar gas hourly mass space velocities, temperatures, and particle sizes.

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 enseignants0,001
Score d'incertitude au seuil0,292

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 Opus0,019
Tête enseignante GPT0,236
Écart entre enseignants0,217 · 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

Citations24
Publié2011
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe Journal of Physical Chemistry CMême sujetThermochemical Biomass Conversion ProcessesTravaux en français237 207