Understanding the Effect of Water on CO<sub>2</sub> Adsorption
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Carbon capture from large sources and ambient air is one of the most promising strategies to curb the deleterious effect of greenhouse gases. Among different technologies, CO2 adsorption has drawn widespread attention mostly because of its low energy requirements. Considering that water vapor is a ubiquitous component in air and almost all CO2-rich industrial gas streams, understanding its impact on CO2 adsorption is of critical importance. Owing to the large diversity of adsorbents, water plays many different roles from a severe inhibitor of CO2 adsorption to an excellent promoter. Water may also increase the rate of CO2 capture or have the opposite effect. In the presence of amine-containing adsorbents, water is even necessary for their long-term stability. The current contribution is a comprehensive review of the effects of water whether in the gas feed or as adsorbent moisture on CO2 adsorption. For convenience, we discuss the effect of water vapor on CO2 adsorption over four broadly defined groups of materials separately, namely (i) physical adsorbents, including carbons, zeolites and MOFs, (ii) amine-functionalized adsorbents, and (iii) reactive adsorbents, including metal carbonates and oxides. For each category, the effects of humidity level on CO2 uptake, selectivity, and adsorption kinetics under different operational conditions are discussed. Whenever possible, findings from different sources are compared, paying particular attention to both similarities and inconsistencies. For completeness, the effect of water on membrane CO2 separation is also discussed, albeit briefly.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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 découle