MétaCan
Menu
Retour à la cohorte
Enregistrement W2796740108 · doi:10.1002/aic.16177

Co‐doped ZnO thin films grown by pulsed electron beam ablation as model nano‐catalysts in fischer‐tropsch synthesis

2018· article· en· W2796740108 sur OpenAlexafffund
Asghar Ali, Redhouane Henda, James Aluha, Nicolas Abatzoglou

Notice bibliographique

RevueAIChE Journal · 2018
Typearticle
Langueen
DomaineMaterials Science
ThématiqueZnO doping and properties
Établissements canadiensUniversité de SherbrookeLaurentian University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Foundation for Innovation
Mots-clésMaterials scienceCatalysisChemical engineeringFischer–Tropsch processThin filmSubstrate (aquarium)Scanning electron microscopeMicrostructureDopingNanotechnologySelectivityComposite materialOrganic chemistryChemistryOptoelectronics

Résumé

récupéré en direct d'OpenAlex

A single‐step deposition of cobalt‐doped zinc oxide (Co‐ZnO) thin film nano‐composites on three different crystalline substrates, viz., Al 2 O 3 (c‐sapphire), silicon (100) (Si), and SiO 2 (quartz) is reported, using pulsed electron beam ablation (PEBA). The results indicate that the type of substrate has no effect on Co‐ZnO films stoichiometry, morphology, microstructure, and film thickness. The findings show the presence of hexagonal close‐packed metallic Co whose content increases in the films deposited on Al 2 O 3 and Si substrates relatively to SiO 2 substrate. The potential of the films as model nano‐catalysts has been evaluated in the context of the Fischer‐Tropsch (FT) process. Fuel fractions, which have been observed in FT liquid products, are rich in diesel and waxes. Specifically, Co‐ZnO/Al 2 O 3 nano‐catalyst shows a selectivity of ∼4%, 31%, and 65% towards gasoline, diesel, and waxes, respectively, while Co‐ZnO/SiO 2 nano‐catalyst shows a selectivity of ∼12%, 51%, and 37%, for gasoline, diesel, and waxes, respectively. © 2018 American Institute of Chemical Engineers AIChE J , 64: 3332–3340, 2018

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)0,001
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 enseignants0,028
Score d'incertitude au seuil0,856

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,017
Tête enseignante GPT0,262
Écart entre enseignants0,245 · 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

Citations3
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAIChE JournalMême sujetZnO doping and propertiesTravaux en français237 207