Graft Copolymerization of Glycidyl Methacrylate and Ethylene Glycol Dimethacrylate on Alumina for the Removal of Nitrogen and Sulfur Compounds from Gas Oil
Notice bibliographique
Résumé
Functionalized polymers were synthesized and applied in removing nitrogen and sulfur compounds from gas oils. In this work, the polyglycidyl methacrylate- co -ethylene glycol dimethacrylate polymer incorporated with tetranitrofluorenone, PGMA-DAP-TENF, was synthesized with and without alumina support. Different techniques were used to characterize the synthesized polymers including Fourier transform infrared spectroscopy, Brunauer–Emmett–Teller method, dynamic light scattering, thermogravimetry/differenial thermal analyzer, carbon hydrogen nitrogen sulfur elemental analysis, and field emission scanning electron microscopy. The performance of the polymer with alumina, Al-PGMA-DAP-TENF, was compared to that without alumina using light gas oil. In addition, heavy gas oil feed was used to confirm the adsorption behavior of both polymers in a higher nitrogen and sulfur environment. The effect of adsorption time and temperature was tested using a 1:5, by weight, polymer to feed ratio. Results have shown that alumina particles enhanced the nitrogen removal efficiency of PGMA-DAP-TENF polymer while sulfur removal efficiency was not affected. The nitrogen removal efficiency of Al-PGMA-DAP-TENF polymer was more than twice that of PGMA-DAP-TENF polymer in LGO feed, and twice that in HGO feed. This was due to the higher surface area of Al-PGMA-DAP-TENF polymer, 202 m 2 /g, compared to that of PGMA-DAP-TENF polymer, 27 m 2 /g. In addition, Al-PGMA-DAP-TENF polymer removed more basic nitrogen compounds than PGMA-DAP-TENF polymer. This was attributed to the acidic nature of alumina particles that enhance the adsorption of basic nitrogen compounds present in gas oil feeds.
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 | 0,001 |
| 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 ».