Application of Ni–Spinel in the Chemical-Looping Conversion of CO<sub>2</sub> to CO via Induction-Generated Oxygen Vacancies
Notice bibliographique
Résumé
We demonstrate the technical feasibility of a novel and efficient method for the valorization of CO2 produced by the reverse water gas shift reaction (rWGS), while using an extruded NiFe2O4 as catalyst and self-controlled heating medium induced by magnetic heating. First, oxygen vacancies (δ) were generated by flowing an Ar/H2 mixture over the catalyst for 1 h at ca. 400 °C. Then, an Ar/CO2 mixture was flowed over the activated catalyst (NiFe2O4-δ) in similar conditions, leading to CO generation and oxygen restocking. We study the impact of heating method (conventional or induction), gas feeding, and number of cycles on the catalyst performance. We show that the catalyst retains activity during multiple cycles (1.37 ± 0.07 μmol/g of NiFe2O4) but slowly reduces upon H2 exposure. Extensive catalyst characterization suggests that (Ni,Fe) clusters forming on the surface of the Ni–ferrite nanoparticle result from the segregation of metal atoms recruited from octahedral sites of the Ni–ferrite. Such change in the chemistry and structure of the catalyst has a profound impact on the activity of the catalyst and the total CO production. Induction heating excelled in thermally activating the catalyst in a short time; however, it suffers from an uneven distribution of the temperature along the bed, which led to the reduction of overheated zones of the catalyst bed. Finally, simultaneous feeding of H2 and CO2 allowed a higher production of CO when compared to chemical looping, up to 7.74 ± 0.67 μmol/g of NiFe2O4 in a 1-h experiment.
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 ».