Effects of particle size on the catalytic performance of MWCNTs supported alkalized MoS<sub>2</sub> catalysts promoted by Ni and Co in higher alcohols synthesis
Notice bibliographique
Résumé
Abstract A series of nano‐sized alkalized MoS 2 catalysts promoted by Ni and Co supported on multi‐walled carbon nanotubes (MWCNTs) were prepared via the reverse microemulsion technique with water to surfactant (W/S) molar ratios (mol water · mol −1 surfactant ) of 1–12. All prepared catalysts were extensively characterized by ICP, BET, CO chemisorption, XRD, TPR, and TEM techniques. They were assessed in a fixed‐bed micro‐reactor to find their performance in higher alcohol synthesis from syngas. The results were compared with those of the catalyst prepared by the incipient wetness impregnation method with similar elemental composition. The results showed the relationship of catalyst physicochemical properties and performances to preparation method and average metal particle sizes. Calculated average particle sizes for prepared catalysts via microemulsion showed a decreasing trend with a decrease in W/S ratio. It decreased from 17.4 to 5.26 nm for W/S ratios of 12 to 1, respectively. Similarly, the average particle size for prepared catalysts with the impregnation method was 18.78 nm. The nano‐catalyst prepared via microemulsion with W/S of 1 showed the best performance for CO conversion and higher alcohol selectivity of 66.83 and 37.76, respectively. It was concluded that decreased particle sizes increased the active surface area of the Ni and Co promoted alkalized MoS 2 /MWCNTs catalysts and increased the fraction of metal particles located inside the CNTs, which in turn improved the catalyst performance.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».