MétaCan
Menu
Retour à la cohorte
Enregistrement W4248884135 · doi:10.24018/ejeng.2019.4.6.1123

Advances in Upgrading Process of Petroleum Residue: A Review

2019· review· en· W4248884135 sur OpenAlexaff
Ishag Alawad, Isam Al Zubaidi

Notice bibliographique

RevueEuropean Journal of Engineering and Technology Research · 2019
Typereview
Langueen
DomaineChemistry
ThématiquePetroleum Processing and Analysis
Établissements canadiensUniversity of Regina
Organismes subventionnairesnon disponible
Mots-clésSupercritical fluidCatalysisRefining (metallurgy)Light crude oilPetroleumSulfurCrackingAsphalteneFluid catalytic crackingMaterials scienceEnvironmental scienceWaste managementChemical engineeringChemistryOrganic chemistryMetallurgyEngineering

Résumé

récupéré en direct d'OpenAlex

Due to the depletion of light crude oil reserves, heavy crude oil and residues are the alternatives to meet ?the ?increasing global demand for light oil products. Heavy crude oil and residues are characterized by the presence of heavy ?hydrocarbon ?compounds which contain high levels of impurities such as metals, nitrogen, and sulfur-containing compounds. ?Methods of ?upgrading are required to increase refining efficiencies and to obtain high-quality products.? Upgrading processes can be categorized into three categories; ?carbon rejection processes, hydrogen addition processes, and a combination of the two. The catalyst can be used with any of these processes for better improvement. Many types of research have been carried out to develop a high-performance process which is stable, high commercial products yield, and low solids formation. In this work, recent advances on petroleum residues upgrading with catalyst, solvents, and thermal cracking were reviewed. Advantages and disadvantages of each process were discussed along with conditions and main features. Nanoparticles catalysts and supercritical fluids based-processes are the trends of upgrading due to the excellent performance of these processes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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 Opus0,039
Tête enseignante GPT0,362
Écart entre enseignants0,324 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations2
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Journal of Engineering and Technology ResearchMême sujetPetroleum Processing and AnalysisTravaux en français237 207