MétaCan
Menu
Retour à la cohorte
Enregistrement W2329304768 · doi:10.1021/ie502082q

Kinetic Study of Hydrogen Production by the High Temperature Water Gas Shift Reaction of Reformate Gas in Conventional and Membrane Packed Bed Reactors over Ca-Promoted CeO<sub>2</sub>–ZrO<sub>2</sub> Supported Ni–Cu Catalyst

2014· article· en· W2329304768 sur OpenAlexafffund
Ishioma Judith Oluku, Hussameldin Ibrahim, Raphael Idem

Notice bibliographique

RevueIndustrial & Engineering Chemistry Research · 2014
Typearticle
Langueen
DomaineChemical Engineering
ThématiqueCatalysts for Methane Reforming
Établissements canadiensUniversity of Regina
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésCatalysisHydrogenChemistryCatalytic reformingActivation energyWater-gas shift reactionPacked bedHydrogen productionPermeationMembrane reactorYield (engineering)Atmospheric temperature rangeReaction rateMembraneAnalytical Chemistry (journal)Nuclear chemistryChemical engineeringChromatographyMaterials sciencePhysical chemistryThermodynamicsOrganic chemistryMetallurgy

Résumé

récupéré en direct d'OpenAlex

The kinetics of the high temperature water gas shift (HTWGS) reaction was performed in a hydrogen selective membrane reactor (MR) and compared with that in a packed bed tubular reactor (PBTR) at a pressure range of 150–250 psi, temperature range of 400–500 °C and weight of catalyst/CO molar flow rate ratio of 1.1–2.7 (g-cat·hr)/mol using reformate gas over a Ni–Cu catalyst on Ca-promoted CeO 2 –ZrO 2 support. The purpose was to estimate the effect of hydrogen removal on conversion and reaction products yield. The characteristics and hydrogen permeation properties of the MR were also studied. The activation energy obtained for the reaction in the PBTR was 190 kJ/mol, whereas the MR exhibited activation energy of ca. 50% lower than the PBTR. MR characterization results showed that hydrogen permeation and recovery increased with temperature and trans-membrane pressure, which could be correlated using Sievert’s law to yield an activation energy of 22.7 kJ/mol.

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)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,002
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 GPT0,253
Écart entre enseignants0,234 · 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.

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

Citations6
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIndustrial & Engineering Chemistry ResearchMême sujetCatalysts for Methane ReformingTravaux en français237 207