Synergistic Effects of Catalyst Mixtures on Biomass Catalytic Pyrolysis
Notice bibliographique
Résumé
This paper studied the synergistic effects of catalyst mixtures on biomass catalytic pyrolysis in comparison with the single catalyst in a microwave reactor and a TGA. In general, positive synergistic effects were identified based on increased mass loss rate, reduced activation energy, and improved bio-oil quality compared to the case with a single catalyst at higher catalyst loads. 10KP/10Bento (a mixture of 10% K 3 PO 4 and 10% bentonite) increased the mass loss rate by 85 and 45% at heating rates of 100 and 25°C/min, respectively, compared to switchgrass without catalyst. The activation energy for 10KP/10Bento and 10KP/10Clino (a mixture of 10% K 3 PO 4 and 10% clinoptilolite) was slightly lower or similar to other catalysts at 30 wt.% load. The reduction in the activation energy by the catalyst mixture was higher at 100°C/min than 25°C/min due to the improved catalytic activity at higher heating rates. Synergistic effects are also reflected in the improved properties of bio-oil, as acids, aldehydes, and anhydrosugars were significantly decreased, whereas phenol and aromatic compounds were substantially increased. 30KP (30% K 3 PO 4 ) and 10KP/10Bento increased the content of alkylated phenols by 341 and 207%, respectively, in comparison with switchgrass without catalyst. Finally, the use of catalyst mixtures improved the catalytic performance markedly, which shows the potential to reduce the production cost of bio-oil and biochar from microwave catalytic pyrolysis.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».