Role of MgO in Al<sub>2</sub>O<sub>3</sub>‐supported Fe catalysts for hydrogen and carbon nanotubes formation during catalytic methane decomposition
Notice bibliographique
Résumé
Abstract Catalytic methane decomposition is a promising technology for reducing the reliance on fossil fuels and mitigating the effects of climate change by producing clean hydrogen and value‐added carbon without the emission of greenhouse gases. The aim of the study was to investigate the use of Al2O3‐modified MgO doped iron‐based catalysts for the catalytic decomposition of methane. The catalysts were synthesized using the impregnation method and characterized using various analysis techniques, including Brunauer, Emmett, and Teller, temperature programmed reduction, temperature programmed oxidation, X‐ray diffraction, thermal gravimetric analysis, Raman, scanning electron microscopy, and transmission electron microscopy. The activity of the synthesized catalysts was tested in a packed‐bed reactor with a gas flow rate of 20 mL/min at a temperature of 800°C. The investigation focuses on the influence of incorporating magnesium into alumina catalysts with MgO concentration ranging from (20%–70%), where higher magnesium levels improve catalytic activity by creating more active sites, positively impacting methane decomposition. Enhanced catalyst reducibility and increased particle dispersion lead to improved catalytic properties despite the reduced surface area. The FA70M and FA63M catalysts exhibited almost the same catalytic characteristics and the highest stability and methane conversion among the catalysts investigated, reaching 87% and 85% at 800°C for 120 min. Moreover, both catalysts showed hydrogen yields of 86% and 85%, respectively. The introduction of MgO further increased the total carbon yield from 103% with FA and 39% for FM to 114% and 120% for the respective catalysts (FA70M and FA63M). During the methane decomposition reaction, carbon nanotubes of varying diameters were produced. Higher iron loading resulted in a positive trend.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».