Hydrogen Purification Performance Optimization of Vacuum Pressure Swing Adsorption on Different Activated Carbons
Notice bibliographique
Résumé
Hydrogen purification is an important part of hydrogen energy utilization. This study aimed to perform hydrogen purification of multi-component gas (H2/CO2/CH4/CO/N2 = 0.79/0.17/0.021/0.012/0.007) by one-column vacuum pressure swing adsorption (VPSA) and pressure swing adsorption (PSA). AC5-KS was selected as the adsorbent for hydrogen purification due to its greater adsorption capacity compared to R2030. Furthermore, VPSA and PSA 10-step cycle models were established to simulate the hydrogen purification process using the Aspen Adsorption platform. The simulation results showed that the hydrogen purification performance of VPSA is better than that of PSA on AC5-KS adsorbent. The effects of feeding time and purging time on hydrogen purity and recovery were also discussed. Results showed that feeding time has a negative effect on hydrogen purity and a positive effect on hydrogen recovery, while purging time has a positive effect on hydrogen purity and a negative effect on hydrogen recovery. By using an artificial neural network (ANN), the relationship between the inputs (feeding time and purging time) and outputs (hydrogen purity and recovery) was established. Based on the ANN, the interior point method was applied to optimize hydrogen purification performance. Considering two optimization cases, the optimized feeding time and purging time were obtained. The optimization results showed that the maximum hydrogen recovery reached 88.65% when the feeding time was 223 s and the purging time was 96 s. The maximum hydrogen purity reached 99.33% when the feeding time was 100 s and the purging time was 45 s.
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 | 0,000 |
| 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 ».