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 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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,006 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».