Acid‐free and highly efficient one‐step nitration of naphthalene with <scp> NO <sub>2</sub> </scp> promoted by <scp> O <sub>2</sub> </scp> ‐ <scp> Ac <sub>2</sub> O </scp> in Fe‐ and Cu‐modified <scp> S <sub>2</sub> O <sub>8</sub> <sup>2</sup> </scp> <sup>−</sup> / <scp> ZrO <sub>2</sub> </scp> catalyst to 1,5‐dinitronaphthalene under mild conditions
Notice bibliographique
Résumé
Abstract It is crucial to develop an acid‐free, mild, and efficient strategy for preparing 1,5‐dinitronaphthalene (1,5‐DNN) from naphthalene (NT). This work presented a one‐step NT nitration method using NO 2 conjugated to an O 2 ‐Ac 2 O system over Fe‐/Cu‐modified S 2 O 8 2− /ZrO 2 catalyst (). The effects of different nitration systems and Fe‐/Cu‐modified ZrO 2 with various sulphur sources on NT nitration have been studied. Under optimal conditions, 99.5% of the NT conversion with 56.9% selectivity to 1,5‐DNN was obtained. Synergistic catalysis between the strong acid site and the current nitration system remarkably improved the 1,5‐DNN selectivity. The characterization results demonstrated that the appropriate Fe/Cu metals loadings combined with the covalent persulphates promoted the formation of more active tetragonal ZrO 2 . Chemical bonding of Zr 4+ with S 2 O 8 2− species allowed S 6+ more electrons to withdraw than in SO 4 2− species, which led to stronger acidity and better catalytic activity in the catalyst. Moreover, a plausible catalytic nitration reaction mechanism was proposed. The findings revealed that mild reaction conditions, combined with a solid superacid catalyst and NO 2 ‐O 2 ‐Ac 2 O system, offer significant advantages in reducing acid wastewater discharge and increasing target product selectivity.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,005 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,004 | 0,008 |
| 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 ».