MétaCan
Menu
Retour à la cohorte
Enregistrement W2579985855 · doi:10.1021/acs.energyfuels.6b02863

Understanding the Co-Pyrolysis Behavior of Indonesian Oil Sands and Corn Straw

2017· article· en· W2579985855 sur OpenAlexaff
Zisheng Zhang, Hongfei Bei, Hong Li, Xingang Li, Xin Gao

Notice bibliographique

RevueEnergy & Fuels · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueThermochemical Biomass Conversion Processes
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesMinistry of Science and Technology of the People's Republic of China
Mots-clésPyrolysisThermogravimetric analysisStrawRaw materialChemistryYield (engineering)Chemical compositionChemical engineeringResidue (chemistry)Organic chemistryPyrolysis oilLiquid fuelOil sandsPhenolsThermal decompositionPulp and paper industryMaterials scienceMetallurgyInorganic chemistryCombustion

Résumé

récupéré en direct d'OpenAlex

In this work, co-pyrolysis of Indonesian oil sands and corn straw was investigated to evaluate the potential synergetic effect. Thermogravimetric analysis was conducted to study the thermal decomposition behaviors of individual and blend feedstocks. Improved pyrolysis characteristics and higher conversion were observed, indicating a remarkable synergetic effect. Moreover, co-pyrolysis experiments were carried out using a fixed bed reactor. The results showed that the co-pyrolysis liquid product yield was increased, while the formation of solid residue was reduced, suggesting a higher conversion. The liquid product characterization by gas chromatography–mass spectroscopy also indicated the significant synergetic effect on the liquid chemical composition. Valuable phenols and alcohols were increased, while unstable aldehydes were decreased, suggesting the chemical interactions between two feedstocks during the co-pyrolysis process. The yield improvement and compositional variations of the co-pyrolysis liquid product were beneficial for its use as fuel and chemical feedstock.

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: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,338

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 Opus0,031
Tête enseignante GPT0,237
Écart entre enseignants0,206 · 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

Citations41
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergy & FuelsMême sujetThermochemical Biomass Conversion ProcessesTravaux en français237 207