MétaCan
Menu
Retour à la cohorte
Enregistrement W2895384430 · doi:10.1002/mren.201800054

A Monte Carlo Method to Quantify the Effect of Reactor Residence Time Distribution on Polyolefins Made with Heterogeneous Catalysts: Part IV—Intraparticle Transfer Resistance Effects

2018· article· en· W2895384430 sur OpenAlexafffund
Bao Liu, Bo Liu, João B. P. Soares

Notice bibliographique

RevueMacromolecular Reaction Engineering · 2018
Typearticle
Langueen
DomaineMaterials Science
ThématiquePolymer crystallization and properties
Établissements canadiensUniversity of Alberta
Organismes subventionnairesChina Scholarship CouncilNatural Sciences and Engineering Research Council of CanadaNational Natural Science Foundation of China
Mots-clésMonte Carlo methodResidence time distributionMass transferPolymerResidence time (fluid dynamics)Materials scienceParticle (ecology)Particle-size distributionParticle sizeChemistryChromatographyPhysical chemistryMineralogyComposite materialMathematics

Résumé

récupéré en direct d'OpenAlex

Abstract An integrated Monte Carlo/polymeric multilayer model (MC/PMLM) is developed to predict the polymer particle size distribution (PSD) and microstructures of polyolefins made with heterogeneous catalysts under intraparticle mass transfer limitations. The Monte Carlo model is used to randomly sample particle sizes and residence times from the catalyst PSD and reactor residence time distribution (RTD), respectively, while the polymeric multilayer model is used to describe single‐particle growth considering intraparticle mass transfer resistances. The effect of reactor RTD, catalyst PSD, and polymerization kinetics on polymer PSD and polymer properties is systematically investigated with the MC/PMLM for the first time. The results show that intraparticle mass transfer limitations under various operating conditions may affect polymer PSD and polymer properties. In addition, due to the versatility of the Monte Carlo approach, the proposed MC/PMLM is adequate to describe complex cases, such as reactor systems with arbitrary RTD and catalyst particles having any PSD.

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 enseignants0,073
Score d'incertitude au seuil0,615

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 Opus0,005
Tête enseignante GPT0,218
Écart entre enseignants0,213 · 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

Citations12
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMacromolecular Reaction EngineeringMême sujetPolymer crystallization and propertiesTravaux en français237 207