Experimental methods in chemical engineering: Gas chromatography— <scp>GC</scp>
Notice bibliographique
Résumé
Abstract Gas chromatography (GC) separates volatile and semi‐volatile liquids and gases based on their affinity for a stationary phase, either a thin liquid or a polymer layer on a solid. A gaseous mobile phase carries the volatile compounds from an injection port to a column with the stationary phase and then to an amdetector. The most common detectors are based on mass spectrometry (MS), thermal conductivity, and flame ionization. A furnace houses the columns and maintains or ramps temperatures to increase the separation efficiency—reduce run time or increase peak separation (resolution). The analyst chooses the chemistry of the stationary phase and the physical structure of the columns based on the polarity and functional groups of the solute. Packed columns tolerate impurities better than capillary columns that have a greater separating power and bleed the functional groups less. Efficiency is best when the sample polarity matches the column polarity. High temperatures and contamination cause columns to bleed the active components, which reduces the resolution but might also introduce ghost peaks to the chromatogram. The Web of Science assigned 15 000 articles to chemical engineering that mention GC and gas chromatography as keywords. Since 2017, it has indexed close to 1000 new articles every year. A bibliometric analysis classifies these contributions into four clusters: (1) pyrolysis and biomass, (2) GC–MS and extraction, (3) lignin and aromatics, and (4) decomposition and kinetics.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 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 ».