MétaCan
Menu
Retour à la cohorte
Enregistrement W4309845379 · doi:10.3390/catal12121505

Analysis of the Catalytic Effects Induced by Alkali and Alkaline Earth Metals (AAEMs) on the Pyrolysis of Beech Wood and Corncob

2022· article· en· W4309845379 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueCatalysts · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueThermochemical Biomass Conversion Processes
Établissements canadiensÉcole de Technologie Supérieure
Organismes subventionnairesnon disponible
Mots-clésAlkali metalCorncobCatalysisPyrolysisAlkaline earth metalDecompositionChemistryInorganic chemistryMagnesiumThermogravimetric analysisRaw materialOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

The catalytic pyrolysis of beech wood and corncob was experimentally investigated considering six additives containing alkali and alkaline earth metals (Na2CO3, NaOH, NaCl, KCl, CaCl2 and MgCl2). Thermogravimetric analyses (TGA) were carried out with raw feedstocks and samples impregnated with different concentrations of catalysts. In a bid to better interpret observed trends, measured data were analyzed using an integral kinetic modeling approach considering 14 different reaction models. As highlights, this work showed that cations (Na+, K+, Ca2+, and Mg2+) as well as anions (i.e., CO32−, OH−, and Cl−) influence pyrolysis in selective ways. Alkaline earth metals were proven to be more effective than alkali metals in fostering biomass decomposition, as evidenced by decreases in the characteristic pyrolysis temperatures and activation energies. Furthermore, the results obtained showed that the higher the basicity of the catalyst, the higher its efficiency as well. Increasing the quantities of calcium- and magnesium-based additives finally led to an enhancement of the decomposition process at low temperatures, although a saturation phenomenon was seen for high catalyst concentrations.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,400

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,196
Écart entre enseignants0,189 · 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