Electrocatalysis for Chemical and Fuel Production: Investigating Climate Change Mitigation Potential and Economic Feasibility
Notice bibliographique
Résumé
The manufacture of goods from oil, coal, or gas to everyday consumer products comprises in more or less all cases at least one catalytic step. Compared to conventional hydrothermal catalysis, electrocatalysis possesses the advantage of mild operational conditions and high selectivity, yet the potential energy savings and climate change mitigation have rarely been assessed. This study conducted a life cycle assessment (LCA) for the electrocatalytic oxidation of crude glycerol to produce lactic acid, one of the most common platform chemicals. The LCA results demonstrated a 31% reduction in global warming potential (GWP) compared to the benchmark (bio- and chemocatalytic) processes. Additionally, electrocatalysis yielded a synergetic potential to mitigate climate change depending on the scenario. For example, electrocatalysis combined with a low-carbon-intensity grid can reduce GWP by 57% if the process yields lactic acid and lignocellulosic biofuel as compared to a conventional fossil-based system with functionally equivalent products. This illustrates the potential of electrocatalysis as an important contributor to climate change mitigation across multiple industries. A technoeconomic analysis (TEA) for electrocatalytic lactic acid production indicated considerable challenges in economic feasibility due to the significant upfront capital cost. This challenge could be largely addressed by enabling dual redox processing to produce separate streams of renewable chemicals and biofuels simultaneously.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».