MétaCan
Menu
Retour à la cohorte
Enregistrement W2944821427

A new process for the production of bio-jet fuel precursors from common carbohydrate sources, using CO2 as a green catalyst.

2017· article· en· W2944821427 sur OpenAlexaff
Matthew Sanger

Notice bibliographique

RevueStudent Research Proceedings · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueBiofuel production and bioconversion
Établissements canadiensMacEwan University
Organismes subventionnairesnon disponible
Mots-clésJet fuelCatalysisChemistryFurfuralAldol condensationAcetoneOrganic chemistryAviation biofuelChemical engineeringPulp and paper industryWaste managementEngineering
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

With the demand for greener bio-fuels ever increasing, new methods for their production using environmentally friendly catalysts for their production are gaining interest. This work expands on recent work looking at the use of CO2 as a catalyst in the formation of bio-jet fuel precursors from common carbohydrates. CO2 used as both the catalyst in dehydration of glucose to Hydroxymethyl furfural (5-HMF) and aldol condensation with acetone. This work uses a two-step, one-pot reaction for the conversion of common household materials (“soda pop” and acetone “nail polish remover”) to bio-jet fuel precursors. To show the effectiveness of CO2 as a catalyst in this system and the ease of reaction, this work uses carbonated beverages (“soda pop”), as the source for sugars and catalyst, along with added acetone to produce the bio-jet fuel precursors. These precursors are then hydrodeoxygenated and hydrogenated to produce linear hydrocarbons. This work shows that the precursors for bio-jet fuel can be produced using the CO2 present in “soda pop” as a green catalyst from a common source. Additionally through the use of flow chemistry it is shown that it is possible to produce bio-jet fuels from these precursors using commercially available catalysts. Discipline: Chemistry Faculty Mentor: Dr. Roland Lee

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 enseignants0,138
Score d'incertitude au seuil0,783

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 technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,094
Tête enseignante GPT0,381
Écart entre enseignants0,287 · 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

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueStudent Research ProceedingsMême sujetBiofuel production and bioconversionTravaux en français237 207