Preparation of Fe‐based magnetic‐core‐supported Co and Ni catalyst: application in viscosity reduction of heavy oil hydrocracking
Notice bibliographique
Résumé
Abstract BACKGROUND Heavy oil has the characteristics of high viscosity and low American Petroleum Institute gravity, which makes it difficult to transport and produce. The key to efficiently utilizing heavy oil is reducing viscosity and improving quality. Hydroconversion has the advantages of viscosity reduction and decreased coke production, but it is difficult to separate nonmagnetic catalysts from the reaction system, which affects the industrial application. RESULTS A spherical Fe 3 O 4 (74.71 emu g −1 ) and a chain FeFe 2 O 3 (110 emu g −1 ) were prepared as magnetic cores, and coated with SiO 2 and Al 2 O 3 layers, respectively. The metal‐supported catalyst modified with Co and Ni show irregular and honeycomb‐shaped surfaces, and the magnetic saturation strength decreases to 24.91 and 14.63 emu g −1 , but still possessing superparamagnetic properties, enabling the catalysts to be separated from the reaction mixture. Fe‐Fe 2 O 3 @SiO 2 @Al 2 O 3 @CoNi catalyst has the best viscosity reduction effect for Canadian oil sands asphalt residue at about 410 °C and 10 MPa hydrogen pressure. The viscosity of the liquid product decreased significantly from 56 600 to 135 mPa s at 50 °C, with a viscosity reduction of 99.8%. CONCLUSION Magnetic catalyst prepared from chain‐like Fe‐Fe 2 O 3 has an excellent honeycomb structure, which can provide increased active surfaces and exhibit improved viscosity reduction performance. This work provides a strategy for the recovery of heavy oil hydrogenation catalysts and is expected to play a key role in the practical application of heavy oil hydrogenation catalytic viscosity reduction. © 2023 Society of Chemical Industry.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».