MétaCan
Menu
Retour à la cohorte
Enregistrement W3034005329 · doi:10.3390/nano10061116

Recent Advances in Functionalized Mesoporous Silica Frameworks for Efficient Desulfurization of Fuels

2020· review· en· W3034005329 sur OpenAlexaff
Shruti Mendiratta, Ahmed Ali

Notice bibliographique

RevueNanomaterials · 2020
Typereview
Langueen
DomaineEngineering
ThématiqueCatalysis and Hydrodesulfurization Studies
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésFlue-gas desulfurizationPetrochemicalSulfurOil refineryMesoporous materialSorbentMesoporous silicaWaste managementFossil fuelEnvironmental scienceMaterials scienceNanotechnologyProcess engineeringChemistryOrganic chemistryEngineeringAdsorptionCatalysis

Résumé

récupéré en direct d'OpenAlex

Considerable health and climate benefits arising from the use of low-sulfur fuels has propelled the research on desulfurization of fossil fuels. Ideal fuels are urgently needed and are expected to be ultra-low in sulfur (10-15 ppm), with no greater than 50 ppm sulfur content. Although several sulfur removal techniques are available in refineries and petrochemical units, their high operational costs, complex operational needs, low efficiencies, and higher environmental risks render them unviable and challenging to implement. In recent years, mesoporous silica-based materials have emerged as promising desulfurizing agents, owing to their high porosity, high surface area, and easier functionalization compared to conventional materials. In this review, we report on recent progress in the synthesis and chemistry of new functionalized mesoporous silica materials aiming to lower the sulfur content of fuels. Additionally, we discuss the role of special active sites in these sorbent materials and investigate the formulations capable of encapsulating and trapping the sulfur-based molecules, which are challenging to remove due to their complexity, for example the species present in JP-8 jet fuels.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,025
Tête enseignante GPT0,298
Écart entre enseignants0,273 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations26
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNanomaterialsMême sujetCatalysis and Hydrodesulfurization StudiesTravaux en français237 207