MétaCan
Menu
Retour à la cohorte
Enregistrement W2995714661 · doi:10.1109/ultsym.2019.8925793

Enhancing Surface Properties of Softwood Biochar by Ultrasound Assisted Slow Pyrolysis

2019· article· en· W2995714661 sur OpenAlexaff
Aneeshma Peter, Bruno Chabot, Éric Loranger

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineMaterials Science
ThématiquePickering emulsions and particle stabilization
Établissements canadiensUniversité du Québec à Trois-Rivières
Organismes subventionnairesnon disponible
Mots-clésBiocharPyrolysisSoftwoodRaw materialSonicationPulp and paper industryLignocellulosic biomassBiomass (ecology)BiofuelMaterials scienceBioenergyPulp (tooth)Surface modificationProcess engineeringChemical engineeringWaste managementComposite materialChemistryOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

In recent decades, biochar, by virtue of its exceptional properties of surface functionalisation, easy availability and low-cost processability, has been extensively applied in adsorption chemistry and major industrial sectors such as biofuels, pulp and paper, biorefineries, etc. Studies on biochar derived from softwood have revealed its efficient physicochemical properties. These properties depend on different parameters such as biomass feedstock, different processing methods and pyrolysis conditions. Application of ultrasound in lignocellulosic materials is a developing area of research, which implement the effect of cavitation bubbles. Herein, we introduce ultrasonication as a tool to enhance the physical properties of the softwood-derived biochar and a feasible processing technique for potential application of biomass feedstock, thus expanding its application in industrial level. Biochar used in this work was synthesized using a laboratory scale slow pyrolysis. A detailed investigation on the ultrasonic pre-treatment effects on the overall structure of biochar has been done. The mechanical and sono-chemical effects were studied with different combination of frequency and power at bath temperature of 80 °C for 2-hours exposure time.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,003
Score d'incertitude au seuil1,000

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)0,0010,000

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 Opus0,014
Tête enseignante GPT0,220
Écart entre enseignants0,206 · 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.

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

Citations13
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetPickering emulsions and particle stabilizationTravaux en français237 207