Integrated kinetics-computational fluid dynamic-optimization for catalytic hydrogenation of CO2 to formic acid
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As enormous research findings indicate, carbon dioxide (CO2) can be converted to important products such as formic acid using catalytic hydrogenation of CO2 technologies. In this work a three-dimensional computational fluid dynamic (CFD) reactor model for the catalytic hydrogenation of CO2 to formic acid in the presence of triethylamine and water was developed, and the nature of the flow and reaction occurring inside the reactor was demonstrated. A kinetic model which estimates kinetic rate expressions was also developed and validated using experimental data. The kinetic parameters from the kinetic model were used as reaction source terms for the CFD reactor model development. Sensitivity analyses were performed on the design variables by integrating the kinetic parameters from the developed kinetic model. The Bayesian optimization algorithm was used to optimize the catalytic CO2 hydrogenation reactor. The optimal design was acquired, and the CO2 conversion increased by 32.6% compared to the initial base case. An optimized reactor design was proposed for the catalytic hydrogenation of CO2 to formic acid within a catalytic trickle-bed reactor based on the integration of reaction kinetic modeling and CFD analysis. The integrated kinetic-CFD-optimization framework proposed in this work was effectively applied to the catalytic CO2 hydrogenation reactor and the results reported on this work could give important design and operational insight to the further development of catalytic CO2 hydrogenation reactors for CO2 to formic acid conversion in carbon capture and utilization applications.
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.
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 | 0,001 |
| 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 découle