Promotion of the Inactive Iron Sulfide to an Efficient Hydrodesulfurization Catalyst
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Extensive efforts have been devoted to developing desulfurization catalysts to effectively remove sulfur from fuel. Active phase metals including cobalt, nickel, molybdenum, and tungsten have been extensively used in industry for hydrotreating/hydrodesulfurization catalysts for over 50 years. However, while it is desirable to use inexpensive materials to do the same job, it is a grand challenge. Herein, we report a Fe-based sulfide catalyst that is tuned by zinc with high activity for HDS, which shows an industrial application potential to replace industrial Mo-based catalysts. With an optimal configuration that has a Fe:Zn ratio close to 1:1, the reaction rate constants of the dibenzothiophene (DBT) and 4,6-dimethydibenzothiophene (4,6-DMDBT) HDS are increased by 9.2 and 17.4 times, respectively, in comparison with the sums of those on the monoiron and zinc sulfides. HDS activity for the sterically hindered 4,6-DMDBT on the FeZn sulfide catalyst is even close to that of Co-MoS 2 . The experimental results indicate that the addition of Zn greatly modifies the electronic properties of iron sulfide by transferring electrons from Zn to Fe, which tunes the d band center to modulate the adsorption behavior of DBT and 4,6-DMDBT. In combination with theoretical calculations, our experiments show that the addition of Zn dramatically tunes the formation of sulfur vacancies. We propose that the formation of sulfur vacancies is the critical factor for designing highly efficient Fe-based sulfide catalysts. This study provides the design principle of low-cost desulfurization catalysts for industrial refinery applications.
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.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle