MétaCan
Menu
Retour à la cohorte
Enregistrement W4396552700 · doi:10.31031/pps.2024.06.000632

Towards Sustainable Fuels from Fischer-Tropsch Synthesis

2024· article· en· W4396552700 sur OpenAlexaff
Zahra Teimouri

Notice bibliographique

RevueProgress in Petrochemical Science · 2024
Typearticle
Langueen
DomaineChemical Engineering
ThématiqueCatalysts for Methane Reforming
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésFischer–Tropsch processChemistryEnvironmental scienceOrganic chemistryCatalysis

Résumé

récupéré en direct d'OpenAlex

Fischer-Tropsch Synthesis (FTS) is a non-crude oil-based technique for conversion of syngas to a wide range of hydrocarbons including light olefins, and liquid transportation fuels.Syngas, which is a combination of H 2 and CO gases can be produced through natural gas reforming, biomass or coal gasification processes.FTS is a catalytic polymerization reaction, therefore rational design of the catalyst including active sites, support and promoters plays a significant role in improving the selectivity of the process to desired range of products.This mini review presents a summary of the different catalyst designs in FTS to synthesize light olefins or heavier hydrocarbons.Iron and cobalt are the industrially used active metals for FTS, due to the lower price and higher hydrogenation activity, respectively.Supports are a key factor in designing efficient FTS catalysts, which provide mechanical, thermal strength for the active sites and a high surface area for dispersion of the active metal particles.Herein we discuss two categories of the widely used support material for FTS: metal oxide supports and carbon materials.Another significant element in formulating a high-performance catalyst for FTS process is the promoters, which can be divided into electronical and structural promoters.This work highlights the roles of active metal, support and promoters in understanding the structure-activity correlations to design high-performance FTS catalysts for production clean and sustainable fuels.

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 enseignants0,113
Score d'incertitude au seuil0,826

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
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 Opus0,010
Tête enseignante GPT0,276
Écart entre enseignants0,266 · 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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProgress in Petrochemical ScienceMême sujetCatalysts for Methane ReformingTravaux en français237 207