MétaCan
Menu
Retour à la cohorte
Enregistrement W3131981415 · doi:10.1002/cjce.24089

Experimental methods in chemical engineering: High throughput catalyst testing — <scp>HTCT</scp>

2021· article· en· W3131981415 sur OpenAlexaffvenue
Carlos Ortega, Daria Otyuskaya, Erik‐Jan Ras, Luis D. Virla, Gregory S. Patience, Hendrik Dathe

Notice bibliographique

RevueThe Canadian Journal of Chemical Engineering · 2021
Typearticle
Langueen
DomaineEnergy
ThématiqueElectrocatalysts for Energy Conversion
Établissements canadiensPolytechnique MontréalUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésThroughputComputer scienceCatalysisProcess engineeringChemistryEngineeringOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Abstract The conventional one‐at‐a‐time strategy to evaluate catalysts is inefficient and resource intensive. Even a fractional factorial design takes weeks to control for temperature, pressure, composition, and stability. Furthermore, quantifying day‐to‐day variability and data quality exacerbates the time sink. High‐throughput catalyst testing (HTCT) with as many as 64 parallel reactors reduces experimental time by two orders of magnitude and decreases the variance, as it is capable of quantifying random errors. This approach to heterogeneous catalyst development requires dosing each reactor precisely with the same flow and composition, controlling the temperature and identifying the isothermal zone, on‐line analysis of the gas‐phase, and a common back pressure regulator to maintain constant pressure. Silica capillary or microfluidic distribution chip manifolds split a common feed stream precisely (standard deviation <0.5% ), thus guaranteeing reproducibility. With these systems, experimenters shift their focus from operating a single reactor to careful catalyst synthesis, sometimes delicate catalytic reactor loadings, and the handling, processing, and analysis of massive amounts of data. This review presents an overview of the main elements of HTCT, its applications, potential sources of uncertainty, and a set of best practises derived from scientific literature and research experience. A bibliometric analysis of articles Web of Science indexed from 2015–2020 grouped research into five clusters: (1) discovery, directed evolution, enzymes, and complexes; (2) electrocatalysis, reduction, adsorption, and nanoparticles; (3) hydrogen, oxidation, and stability; (4) DFT, combinatorial chemistry, and NH 3 ; and (5) graphene and carbon.

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)0,010
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,101

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,013
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0060,009
Études des sciences et des technologies0,0010,003
Communication savante0,0030,003
Science ouverte0,0030,003
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0300,023

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 Opus0,013
Tête enseignante GPT0,234
Écart entre enseignants0,221 · 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'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

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
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Chemical EngineeringMême sujetElectrocatalysts for Energy ConversionTravaux en français237 207