The Impact of Process Parameters on the Deposition of Fines Present in Bitumen-Derived Gas Oil on Hydrotreating Catalyst
Notice bibliographique
Résumé
The gradual increase in the amount of fines (<20 μm) deposited in a hydrotreating reactor results in a sudden pressure drop, leading to premature reactor shutdown. In addition to the nature of the fine particles, it is believed that the particle deposition is a function of the process parameters of the reactor. Among the process conditions that influence the hydrotreating process, temperature and pressure have been identified as key variables; therefore their impact on fines deposition on NiMo/γAl 2 O 3 catalyst was studied. Model fine particles were suspended in light gas oil (LGO) feed, and the feed was hydrotreated in a batch reactor. The catalyst was characterized to understand its interaction with the model fine particles. Mass balance results and SEM images were used to quantitatively analyze the deposition of fine particles on the catalyst bed. The statistical analyses were performed using central composite design (CCD) to optimize the hydrotreating conditions for bed deposition and sulfur conversion as a function of process parameters such as temperature (355–375 °C), pressure (1200–1400 psig), and particle loading (1–1.5 g of fines) in 200 mL of oil. High fines concentration in the feed (particle loading) and high temperature led to higher bed deposition. The results obtained helped in understanding the impact of process parameters on particle deposition in a batch reactor and not in a packed bed reactor. The optimum temperature to have a significant sulfur conversion with least fines deposition for LGO feed with process conditions within the boundary of this research for a batch reactor was found to be in range of 360 to 364 °C.
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 | 0,000 |
| 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 ».