Transition metals cobaltites spinel for depollution of NO<sub>x</sub> emissions using SCR technology
Notice bibliographique
Résumé
Abstract The catalytic performances of various transition metal (M = Cu, Mn, and Ni) cobaltites prepared by the nanocasting method were investigated for the selective catalytic reduction (SCR) of NO under lean burn conditions. KIT‐6 was used as a hard template in the nanocasting method for preparation of catalysts. The catalyst samples were characterized by various techniques such as XRD, low‐temperature N2 physisorption, SEM‐EDS, and XPS. The catalysts were examined for the SCR of NO by NH3 and H2‐LPG in a packed bed tubular flow reactor under the following reaction conditions: 500 ppm NO, 8 % O2, (0.1 % NH3) or (1000 ppm LPG, 1 % H2) in Ar with 200 mg catalyst. The inlet and outlet gases of the reactor were analyzed by an Eco Physics CLD 62 chemiluminescence NO/NOx analyzer and online GC. NO and NO2 measurements were done by an Eco Physics CLD 62 chemiluminescence NO/NOx analyzer. Two separate GCs equipped with Porapak Q/capillary columns and FID/ECD detectors were used to analyze the hydrocarbons/−N2O respectively. The addition of 1 % H2 with LPG promoted NO reduction at a remarkably low temperature. It was found that the nature of the dispersed metal strongly affects the light‐off temperature (52 °C) and enhances NO conversion. The oxygen‐deficient MnCo2O4 spinel structure enhanced NO reduction (87.1 %) at a lower temperature of 250 °C as compared to Cu and Ni cobaltites using H2‐LPG‐SCR. The H2‐LPG reductant showed the best de‐NOx activity and the order of catalyst activity followed the sequence: MnCo2O4 > CuCo2O4 > NiCo2O4.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».