MétaCan
Menu
Retour à la cohorte
Enregistrement W4311589579 · doi:10.1002/adma.202209327

Direct CO<sub>2</sub> Capture by Alkali‐Dissolved Cellulose and Sequestration in Building Materials and Artificial Reef Structures

2022· article· en· W4311589579 sur OpenAlexafffund
Guillermo Reyes, Mabel Vega‐Coloma, Anna Antonova, Rubina Ajdary, Solène Jonveaux, Colleen Flanigan, Nathalie Lautenbacher, Orlando J. Rojas

Notice bibliographique

RevueAdvanced Materials · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueCO2 Sequestration and Geologic Interactions
Établissements canadiensUniversity of British ColumbiaUniversité de Sherbrooke
Organismes subventionnairesCanada Foundation for Innovation
Mots-clésCelluloseMaterials scienceAbsorption of waterChemical engineeringCellulose fiberAbsorption (acoustics)FiberComposite material

Résumé

récupéré en direct d'OpenAlex

Abstract Current carbon capture and utilization (CCU) technologies require high energy input and costly catalysts. Here, an effective pathway is offered that addresses climate action by atmospheric CO 2 sequestration. Industrially relevant highly reactive alkali cellulose solutions are used as CO 2 absorption media. The latter lead to mineralized cellulose materials (MCM) at a tailorable cellulose‐to‐mineral ratio, forming organic‐inorganic viscous systems (viscosity from 10 2 to 10 7 mPa s and storage modulus from 10 to 10 5 Pa). CO 2 absorption and conversion into calcium carbonate and associated minerals translate to maximum absorption of 6.5 gCO 2 g cellulose −1 , tracking inversely with cellulose loading. Cellulose lean gels are easily converted into dry powders, shown as a functional component of ceramic glazes and cementitious composites. Meanwhile, cellulose‐rich gels are moldable and extrudable, yielding stone‐like structures tested as artificial substrates for coral reef restoration. Life Cycle Assessment (LCA) suggests new CCU opportunities for building materials, as demonstrated in underwater deployment for coral reef ecosystem restoration.

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 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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,009
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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)0,0020,000

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 Opus0,008
Tête enseignante GPT0,246
Écart entre enseignants0,237 · 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 tête enseignante, pas un consensus.

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

Citations27
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAdvanced MaterialsMême sujetCO2 Sequestration and Geologic InteractionsTravaux en français237 207