Comprehensive analysis of water vapor sorption kinetics and mechanisms using biosorbent pellets from canola meal and oat hull
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Agricultural residues, specifically canola meal (CM) and oat hull (OH), have been innovatively utilized to develop biosorbents for sorbing water vapor from the air. These biomaterials are comprised of hydrophilic functional groups that effectively perform air dehydration. Air, being non-polar, was used as a model gas in this study to simulate gas dehydration. In the current research, these materials were formed into pellets to produce high-quality biosorbents with controlled size, shape, and enhanced moisture uptake capacity. CM (309.48 mg/g) and OH (233.07 mg/g) pellets had higher or comparable water sorption capacities than commercialized adsorbents used for drying gases. The mixed-order kinetic model described the sorption process well and identified both mass transfer and sorption on active site steps (R2 > 0.991 and χ2 < 16.0). Regarding the OH pellet, sorption on active sites was the predominant kinetic mechanism at the beginning, followed by intraparticle diffusion until equilibrium. However, sorption on CM pellets was delayed at 4.2 min at the initial stage, owing to the external mass transfer resistance; then, intraparticle diffusion controlled the process until equilibrium. Adding sodium lignosulfonate (LSNa) lowered the initial sorption rate but enhanced the water uptake and strength of pellets. The addition of LSNa resulted in a 25% and 14% increase in the water uptake capacity of oat hull and canola meal pellets, respectively; conversely, it also caused an increase in the delay time for sorption on CM pellets at the beginning of the process, extending it to 9.50 min.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle