Computational study of CO2 solubility in amino acid-based ionic liquids using COSMO-RS
Notice bibliographique
Résumé
Abstract. The carbon capture, use, and sequestration (CCUS) techniques are proven to be efficient at lowering the atmospheric concentration of carbon dioxide. Notwithstanding the advances in this area, there are still significant restrictions in carbon dioxide (CO2) capture techniques in industry such as high capital costs, solvent evaporation losses, and low absorption and desorption rates. Ionic liquids (ILs) have received much interest as green solvent due to the benefits of their distinctive properties such as low vapor pressure and their capacity to capture CO2 making them a suitable replacement for present solvents, such as amines. Amino acid based ILs having close similarity with the alkanolamines may potentially have high affinity for CO2 absorption. Nevertheless, available database on these ILs is still limited and only focus on the common types of amino acids. Therefore, this paper aims to predict the CO2 absorption of different amino acid-based ionic liquids as cation/anion using quantum chemical calculation tools namely Conductor like Screening Model for Real Solvents (COSMO-RS) and TURBOMOLE. We evaluated 84 different ILs of different cations and anions based on their CO2 capacity, activity coefficient at infinite dilution (γ∞), and Henry’s constant (H). The results showed that amino acid as anions significantly enhanced the CO2 solubility compared to amino acid as cations. However, glycinium tetrafluoroborate [Gly+][BF4] showed high affinity for CO2 absorption compared to other amino acid-cations based with activity coefficient at infinite dilution (γ∞) = 0.117 and (H) = 8.07. We showed that the selection of anions/cations can significantly change the CO2 capacity in ILs.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».