MétaCan
Menu
Retour à la cohorte
Enregistrement W3209391196 · doi:10.3390/catal9121063

Catalytic Decomposition of Oleic Acid to Fuels and Chemicals: Roles of Catalyst Acidity and Basicity on Product Distribution and Reaction Pathways

2019· article· en· W3209391196 sur OpenAlexafffund
Wanpeng Hu, Hui Wang, Hongfei Lin, Ying Zheng, Siauw Ng, Manlin Shi, Ying Zhao, Ruo‐Qian Xu

Notice bibliographique

RevueCatalysts · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueBiodiesel Production and Applications
Établissements canadiensWestern UniversityUniversity of New Brunswick
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaJiaxing UniversityCanada Excellence Research Chairs, Government of CanadaCanada Foundation for Innovation
Mots-clésCatalysisChemistryOleic acidDeoxygenationDehydrogenationProduct distributionYield (engineering)Inorganic chemistryHydrodeoxygenationOrganic chemistryMaterials scienceSelectivity

Résumé

récupéré en direct d'OpenAlex

The roles of catalyst acidity and basicity playing in catalytic conversion of oleic acid were studied in a fixed-bed micro-reactor at atmospheric pressure. The chemical compositions of the petroleum-like products were obtained and the reaction pathways of different catalysts are discussed. The metal oxides are suitable for upgrading oleic acid into organic liquid products (OLPs). Over 98% oxygen was removed when CaO, MgO, and TiO2 were implemented, whereas a minimum oxygen removal lower than 20% was obtained by using quartz. The oxygen removal was 73% by alumina; however, the light oil yield (to feed) and the valuable product yield received were the highest in all investigated catalysts. The hydrocarbons in OLPs, overwhelmingly presenting in the product, were found to be alkenes and cycloalkenes, followed by saturated hydrocarbons, and then aromatics lower than 4%. For Lewis acidic catalysts, higher acidity of the catalyst is beneficial to deoxygenation but also secondary cracking. CaO has higher dehydrogenation capability than MgO does.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,479

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,224
Écart entre enseignants0,213 · 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 tête enseignante, 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
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations24
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCatalystsMême sujetBiodiesel Production and ApplicationsTravaux en français237 207