Oxidative and Extractive Desulfurization of Fuel Oils Catalyzed by <i>N</i>-Carboxymethyl Pyridinium Acetate and <i>N</i>-Carboxyethyl Pyridinium Acetate Acidic Ionic Liquids: Experimental and Computational DFT Study
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide This study reports on the synthesis, characterization, and application of two acidic ionic liquids, namely, N -carboxymethylpyridinium acetate ([HO 2 CCH 2 Py][CH 3 CO 2 ] or AIL1 ) and N -carboxyethylpyridinium acetate ([HO 2 C(CH 2 ) 2 Py][CH 3 CO 2 ] or AIL2 ), as both extractants and catalysts for the oxidative and extractive desulfurization (OEDS) of model fuel oils containing heteroaromatic sulfur compounds. The structural properties of the synthesized acidic ionic liquids (ILs) were confirmed by 1 H NMR, 13 C NMR, and FT-IR spectroscopic analysis. To optimize the performance of the acidic AILs in the desulfurization process, the effects of different parameters, such as H 2 O 2 dosage, reaction time, and temperatures, were investigated. The experimental results showed that AIL1 has exceptionally high desulfurization–extraction rates, with values of 99.8%, 97.8%, and 95.4%, for DBT, BT, and 4,6-DMDBT, respectively, under the optimum conditions established. Under the same conditions, the desulfurization-extraction rates using AIL2 reached 91.6%, 87.3%, and 82.4%, respectively, for DBT, 4, 6-DMDBT, and BT. Both ionic liquids can be recycled up to 9 times without a significant decrease in their sulfur removal efficiencies. Furthermore, density functional theory (DFT) calculations were conducted to evaluate the electronic interaction energies (ΔIE) between the AILs with each of the sulfur-containing compounds and their putative oxidized products. The computational findings strongly supported the experimental outcomes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».