Synthesis and Characterization of NiMo Catalysts Supported on Fine Carbon Particles for Hydrotreating: Effects of Metal Loadings in Catalyst Formulation
Notice bibliographique
Résumé
The by-products collected during the synthesis of carbon nanohorns via the arc discharge synthesis method is comprised of other carbon particles (OCP). At a hydrotreating operating temperature of 370°C, preliminary investigations using a bimetallic catalyst with support originating from the fine fractions of other carbon particles (OCP f ) and containing 13 wt% Mo and 2.5 wt% Ni resulted in an HDS and HDN conversion of 78 and 25%, respectively. Variation of metal compositions in catalyst formulation and its impact on hydrotreating activity was therefore considered in this study to enhance the hydrotreating activity of OCP f –supported catalyst, and to determine if the best NiMo/OCP f catalyst achieved from this study could be a viable catalyst for hydrotreating applications. The co-incipient wetness impregnation was used in preparing series of hydrotreating catalysts with Ni and Mo loadings within the range of (2.5–5.0 wt%) and (13–26 wt%) respectively. Overall, the catalyst samples with maximum Ni loading of 5.0 wt% and Mo loadings of either 13 or 19 wt% showed higher dispersion and the ability to form a Type II Ni-Mo-S phase with enhanced activity. The effects of metal compositions on both HDS and HDN activities were correlated with their physicochemical properties.
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) | 0,000 | 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 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 ».