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 OpenAlexaff
Wei Wang, R. Lemaire, Ammar Bensakhria, Denis Luart

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.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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)0,0010,000

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

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'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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

En bref

Citations34
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCatalystsMême sujetThermochemical Biomass Conversion ProcessesTravaux en français237 207