Automated monitoring the kinetics of homogeneous and heterogeneous chemical processes using a smartphone
Notice bibliographique
Résumé
Abstract Heterogeneous chemical processes occupy a pivotal position in many fields of applied chemistry. Monitoring reaction kinetics in such heterogeneous systems together with challenges associated with ex-situ analytical methodologies can lead to inaccurate information about the nature of the catalyst surfaces as well as information about the steps involved. The present work explores the possibility of kinetic measurements of chemical reactions and adsorption processes of homogeneous and heterogeneous systems through the variation of RGB intensities of digital images using a smartphone combined with a program written in Python to accelerate and facilitate data acquisition. In order to validate the method proposed, the base promoted hydrolysis of 4-nitrophenyl acetate was initially investigated. The rate constants obtained through RGB analysis (0.01854 min −1 ) is almost identical to that using traditional UV–Vis spectroscopy (0.01848 min −1 ). The proposed method was then applied to monitor the kinetics of three heterogeneous processes: (1) reduction of 4-nitrophenolate in the presence of dispersed Pd/C; (2) decomposition of methyl orange with TiO 2 ; and (3) adsorption of rhodamine on montmorillonite. In general, the method via digital images showed high reproducibility and analytical frequency, allowing the execution of simultaneous analyses, with an accuracy comparable to UV–Vis spectrophotometry. The method developed herein is a practical and valuable alternative for obtaining kinetic data of heterogeneous reactions and processes where a color change is involved, bypassing sampling collection and processing which decreases analytical frequency and may lead to data errors.
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 | 0,000 |
| 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 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 ».