MétaCan
Menu
Retour à la cohorte
Enregistrement W4394838017 · doi:10.3390/en17081861

Advances in Adsorption, Absorption, and Catalytic Materials for VOCs Generated in Typical Industries

2024· article· en· W4394838017 sur OpenAlexaff
Lixia Wu, Yu Zhu, Jing Yuan, Xiaozhong Guo, Qian‐Feng Zhang

Notice bibliographique

RevueEnergies · 2024
Typearticle
Langueen
DomaineMaterials Science
ThématiqueCatalytic Processes in Materials Science
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésAdsorptionCatalysisCatalytic combustionEnvironmental remediationWaste managementEnvironmental scienceProcess engineeringCombustionCatalytic oxidationMaterials scienceChemical engineeringChemistryContaminationEngineeringOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

In recent years, atmospheric composite pollution has become increasingly serious, and accelerating VOC governance has become the focus of and difficulty in atmospheric governance. Volatile organic compounds (VOCs) come from a wide range of sources, and industrial sources are the main source of anthropogenic VOC emissions in China. Chemicals, oil refining, and solvents are three typical VOC-emitting industries, and their control is an important part of accelerating and optimizing VOC governance. It can be controlled by source control, process control, and pipe end treatment; among these, pipe end treatment is divided into recovery technology and destruction technology. In pipeline end treatment, with the key materials of adsorption, absorption, catalytic oxidation, and catalytic combustion, the research and development of adsorbents, absorbents and catalysts has become a hot spot in recent years. This paper summarizes the chemical materials used in typical VOC pipe end-treatment technology (including adsorbents used in the adsorption method, absorbents used in the adsorption method, and catalysts used in the catalytic oxidation and catalytic combustion methods), summarizes the advantages and disadvantages of various materials and their application range, and looks forward to the direction of future developments.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,617

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,276
Écart entre enseignants0,262 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations32
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergiesMême sujetCatalytic Processes in Materials ScienceTravaux en français237 207