Mechanism of <scp>NO</scp> removal in selective catalytic reduction based on <scp> γ‐Fe <sub>2</sub> O <sub>3</sub> </scp> catalyst doped with <scp>Mg</scp> element
Notice bibliographique
Résumé
Abstract The doping of different elements will make the Fe 2 O 3 catalyst show different catalytic characteristics and improve the activity of the Fe 2 O 3 catalyst in selective catalytic reduction (SCR), mainly by increasing the types of reactive oxygen species and the specific surface area of the catalyst. In this paper, density functional theory (DFT) was used to reveal the reaction path and adsorption behaviour of the Mg‐doped γ‐Fe 2 O 3 catalyst. The results show that the doping of Mg ions can contribute electrons and lead to electron migration on the catalyst surface, which changes the acidity of some sites on the catalyst surface. The adsorption energy of NH 3 is related to the binding sites of N atoms on the catalyst surface, and different adsorption sites will be enhanced or weakened due to Mg doping. NH 2 reacts with NO to form N 2 and H 2 O, so the dehydrogenation of NH 3 to the NH 2 radical is a key step in SCR. With doping, this process becomes more likely to occur. In addition, the activation energy barrier of NH 2 formation in the aerobic environment is lower than that in the anaerobic condition, which contributes to NH 3 dehydrogenation. Therefore, doping Mg on the surface of γ‐Fe 2 O 3 catalyst can improve the catalytic activity of NO removal.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».