MétaCan
Menu
Retour à la cohorte
Enregistrement W2317573240 · doi:10.1515/ijcre-2014-0035

Mathematical Modeling, Verification and Optimization for Catalytic Membrane Esterification Micro-reactor

2014· article· en· W2317573240 sur OpenAlexaff
Elham El‐Zanati, Stephen M. Ritchie, Heba Abdallah, S.S.E.H. Elnashaie

Notice bibliographique

RevueInternational Journal of Chemical Reactor Engineering · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueInnovative Microfluidic and Catalytic Techniques Innovation
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésYield (engineering)Membrane reactorCatalysisMembraneReuseMATLABScalingProcess (computing)Design of experimentsProcess engineeringChemical engineeringBiological systemMaterials scienceResponse surface methodologyMicroreactorChemistryComputer scienceEngineeringChromatographyMathematicsOrganic chemistryWaste managementComposite material

Résumé

récupéré en direct d'OpenAlex

Abstract Analysis of efficient production of ethyl acetate utilizing a C atalytic M embrane M icro- R eactor (CMMR) was theoretically investigated and verified using published results for the esterification reaction. Grafted sulfonic groups in the pores of a polyethersulfone membrane catalyzed the reaction. Theoretical analysis of the catalytic membrane reactor was achieved through development of a lumped parameter model to describe the CMMR behavior and performance. The developed model was solved numerically for different design and operating conditions using MATLAB Simulink software. The model parameters were verified and validated using the experimental results to achieve a reliable tool for design, replication, scaling-up, and optimization. The approach to maximum conversion was simulated. Cumulative yield per unit time was investigated to determine the optimum process time. Membrane regeneration was conducted and the regeneration time was determined as well in order to reuse the membrane for other cycles. Reactor scaling-up was studied using the model for process design.

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: aucune
Score de désaccord entre enseignants0,813
Score d'incertitude au seuil0,632

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 Opus0,012
Tête enseignante GPT0,238
Écart entre enseignants0,226 · 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

Citations2
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Chemical Reactor EngineeringMême sujetInnovative Microfluidic and Catalytic Techniques InnovationTravaux en français237 207