Valorization of Methane for Ethylene Production Through Oxidative Coupling: An Application of Density Functional Theory and Data Analytics in Catalyst Design for Improved Methane Conversion
Notice bibliographique
Résumé
The combination of electronic and catalytic features, in conjunction with empirical investigation, provides enriched perspectives on the analysis of catalysts, thus propelling progress and design. This study employs computational methods to deduce electronic characteristics, including properties such as bandgap, Fermi energy, and magnetic moment, for known catalysts involved in the oxidative coupling of methane (OCM) reaction. Through the comparison of these attributes with existing experimental OCM data, the ability to forecast the effectiveness of catalysis and subsequent reaction results is achieved, spanning CH4, C2H4, C2H6, and CO2 production. Transition metals, including Pt, Rh, Ru, and Ir, turn out to be promising catalyst promoters of OCM reactions. This study identified 58 innovative blends of metallic oxides and 3480 new catalytic configurations specifically designed for methane conversion at a moderately low temperature of 700 °C, placing them as effective catalysts for the OCM reaction. These emerging catalysts are projected to result in a rise in methane conversion extending from ±38.5% to ±95%, presenting a significant increase from the upper limit methane conversion of 36% reported in previous investigations.
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 | 0,001 | 0,001 |
| 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 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 ».