A biodiesel production process catalyzed by the leaching of alkaline metal earths in methanol: from a model oil to microalgae lipids
Notice bibliographique
Résumé
Abstract BACKGROUND A response surface methodology was used to study the reaction mechanism of strontium oxide (SrO) as a catalyst for a biodiesel production process using a model oil (composed of fatty acid methyl esters (FAME), free fatty acids (FFAs) and triglycerides). The influence of several factors (initial FAME content (0–30 wt%), initial FFAs content (oleic acid 0.20–2.7 wt%), temperature (40–60 °C), methanol to model oil ratio (11–43 wt%), catalyst to model oil ratio (0.5–2.5 wt%) and reaction time (5–30 min)) on the FAME yield, the FAME content, the pH of polar phase and the biodiesel alkalinity was studied. SrO was also compared with potassium hydroxide (KOH) for the conversion of Scenedesmus Obliquus microalgae esterified lipids after a first step of FFAs esterification with sulfuric acid into biodiesel with the following conditions: temperature: 60 °C; reaction time: 22.2 min; catalyst to microalgae ratio: 2.48 wt%; methanol to microalgae lipid ratio: 31.4 wt%. RESULTS With those operating conditions, KOH was able to reach a slightly higher FAME yield (32.6% g FAME g −1 lipid) than SrO (29.0% g FAME g −1 lipid). Moreover, the results showed a strong relationship between the pH of the polar phase (glycerol–methanol–water) and the FAME yield, which indicates that the reaction using alkaline metal earths is mostly catalyzed by a homogeneous reaction. CONCLUSION The fact that alkaline metal earths act as homogeneous catalysts make them less suitable for biodiesel production, because they are not inducing neutral pH, and they increase the risk of corrosion. © 2016 Society of Chemical Industry
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».