Catalytic Dry Reforming and Cracking of Ethylene for Carbon Nanofilaments and Hydrogen Production Using a Catalyst Derived from a Mining Residue
Notice bibliographique
Résumé
In this study, iron-rich mining residue (UGSO) was used as a support to prepare a new Ni-based catalyst via a solid-state reaction protocol. Ni-UGSO with different Ni weight percentages wt.% (5, 10, and 13) were tested for C2H4 dry reforming (DR) and catalytic cracking (CC) after activation with H2. The reactions were conducted in a differential fixed-bed reactor at 550–750 °C and standard atmospheric pressure, using 0.5 g of catalyst. Pure gases were fed at a molar ratio of C2H4/CO2 = 3 for the DR reaction and C2H4/Ar = 3 for the CC reaction. The flow rate is defined by a GHSV = 4800 mLSTP/h.gcat. The catalyst performance is evaluated by calculating the C2H4 conversion as well as carbon and H2 yields. All fresh, activated, and spent catalysts, as well as deposited carbon, were characterized by Brunauer–Emmett–Teller (BET), X-ray diffraction (XRD), scanning electron microscopy (SEM), energy dispersive X-ray spectrometry (EDX), transmission electron microscopy (TEM), temperature programmed reduction (TPR), and thermogravimetric analysis (TGA). The results so far show that the highest carbon and H2 yields are obtained with Ni-UGSO 13% at 750 °C for the CC reaction and at 650 °C for the DR reaction. The deposited carbon was found to be filamentous and of various sizes (i.e., diameters and lengths). The analyses of the results show that iron is responsible for the growth of carbon nanofilaments (CNF) and nickel is responsible for the split of C–C bonds. In terms of conversion and yield efficiencies, the performance of the catalytic formulations tested is proven at least equivalent to other Ni-based catalyst performances described by the literature.
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 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) | 0,001 | 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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».