Experimental study on the absorption enhancement of <scp> CO <sub>2</sub> </scp> by <scp>MDEA‐MEA</scp> based nanofluids
Notice bibliographique
Résumé
Abstract Nanofluids promote the application of nanotechnology in the mass transfer process, which can effectively reduce mass transfer resistance and increase the gas–liquid mass transfer rate. A bubbling absorption system was used to explore the CO 2 absorption performance of methyldiethanolamine (MDEA) and monoethanolamine (MEA) blended nanofluids. TiO 2 nanoparticles and sodium polyacrylate (ASAP) surfactant were added to MDEA‐MEA aqueous solutions to prepare nanofluids. The effects of MDEA concentration, MEA concentration, blended amine ratio, and nanoparticle solid content on CO 2 capture performance were investigated, respectively. The study found that, compared with single‐component MEA/MDEA solutions, nanofluids have a more significant enhancement in CO 2 absorption of blended amines. The increase of MEA concentration in blended amine has a negative effect on the enhanced CO 2 absorption of TiO 2 nanoparticles. The enhancement factor of MDEA‐MEA nanofluids at each solid content is higher than that of two single‐component nanofluids. The best solid content of TiO 2 nanoparticles in the MDEA‐MEA system is 0.6 g/L, while the enhancement factor E in 25% MDEA + 5% MEA nanofluids can reach up to 1.36. Finally, a new empirical formula was proposed to predict the enhancement factor and optimum solid content of TiO 2 ‐MEA/MDEA nanofluids.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».