Modeling of ternary mixture of VOCs in photocatalytic oxidation reactor for indoor air quality application
Notice bibliographique
Résumé
Photocatalytic oxidation (PCO) is an innovative method of removing volatile organic compounds (VOCs) from indoor air. PCO technology employs a semiconductor (such as TiO2) and ultraviolet light to decompose VOCs via successive oxidation processes and creates CO2 and H2O as the ultimate products of complete mineralization. The greatest drawback of this technology is, however, the production of hazardous by-products. The possible health risk posed by hazardous by-products inhibits the commercial adoption of PCO-based air purifiers in the indoor environment. Modeling is a powerful tool to address the chemical interaction and mass transfer phenomenon in the PCO reactor. This study presents the modeling of a ternary mixture of VOCs and generated by-products using a proposed degradation reaction pathway. A one-dimensional mathematical model by considering the axially dispersed plug flow and Langmuir-Hinshelwood (L-H) based reaction rate as well as linear source spherical emission model (LSSE) for the irradiation distribution on the media surface were used for modeling of VOCs and by-products. Three VOCs from different chemical groups (aldehyde, ketone, aromatic groups) were chosen as challenge compounds, and a commercial PCO filter (TiO2 coated on silica fiber felts) was considered as a photocatalyst. The model prediction was performed at different levels of concentration (0.1–1 ppm), relative humidity (15–70%), air velocity (0.016–0.1 m/s), and light intensity (7–23W/m2). Among generated by-products, aldehydes were the major by-products of VOCs in the PCO reactor. It was revealed that increasing concentration and irradiation, as well as decreasing relative humidity and velocity, increases by-product generation.
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 | 0,001 | 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 | 0,000 | 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 ».