CO<sub>2</sub> Hydrogenation to Methanol in a Slurry Reactor: Catalytic Performance of CuO-Enhanced In<sub>2</sub>O<sub>3</sub>/ZrO<sub>2</sub>
Notice bibliographique
Résumé
Converting CO 2 to value-added fuels and chemical commodities is crucial for the chemical industry and the limitation of global warming. Methanol, a high-production volume chemical, can be synthesized via direct CO 2 hydrogenation; however, this conversion faces challenges in thermodynamic limitations and requires stable catalysts with high methanol selectivity and CO 2 conversion. Gas–liquid–solid slurry reactors have the advantage of removing the exothermic heat of CO 2 hydrogenation and potentially improving methanol synthesis. In this work, the catalytic performance of In 2 O 3 and CuO at various loadings supported on ZrO 2 are compared in the slurry reactor for methanol formation through direct CO 2 hydrogenation. The 5 wt % CuO/ZrO 2 catalyst showed a higher conversion of 24% but a lower methanol selectivity of 29% when compared to the 5 wt % In 2 O 3 /ZrO 2 with a conversion of 14% and a selectivity of 42%. CuO was thus added to enhance the In 2 O 3 /ZrO 2 catalyst, which increased the CO 2 conversion to 20% with a methanol selectivity of 38%, thus obtaining a promising methanol activity of 0.17 g MeOH g cat –1 h –1 . Influences of the reaction temperature, reaction pressure, H 2:CO 2 gas ratio, and stirring speed on methanol formation are also reported. The highest methanol activity of 0.28 g MeOH g cat –1 h –1 was reached by the proposed 5 wt % In 2 O 3 -5 wt % CuO/ZrO 2 catalysts at 280 °C and 8.5 MPa.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».