Advances in CO<sub>2</sub>‐assisted oxidative dehydrogenation of light alkanes to light alkenes
Notice bibliographique
Résumé
Abstract The CO 2 ‐assisted oxidative dehydrogenation (ODH) of light alkanes offers a promising route for converting underutilized resources into valuable chemical feedstocks while addressing environmental challenges associated with CO 2 emissions. CO 2 plays a dual role in ODH by acting as a mild oxidant that enhances product selectivity and catalyst stability while preventing carbon deposition through the Reverse Water‐Gas Shift (RWGS) and Boudouard reactions. The review has elucidated a variety of catalyst design and optimization strategies that may guide the future development of novel CO 2 ‐assisted ODH catalysts with improved alkane conversion, superior alkene selectivity, and long‐term stability. It provides a comprehensive analysis of the structural characteristics, catalytic performances, and reaction mechanisms of typical catalysts, including transition metal catalysts (e. g., Cr‐based, Co‐based, V‐based), metal oxide catalysts (e. g., Ga‐based, In‐based), noble metal catalysts (e. g., Pt‐based, Ru‐based), and bimetallic catalysts. Special attention is given to the structure‐performance relationship of these catalysts, emphasizing how changes in promoters, supports, and morphology affect critical properties such as redox behavior, acidity‐basicity balance, dispersion of active components, and catalyst‐support interactions. Finally, future research directions and perspectives for the CO 2 ‐assisted ODH of ethane and propane are proposed, with a focus on advancing catalyst design and optimization strategies. This review aims to serve as a comprehensive reference for researchers exploring the potential of CO 2 ‐assisted ODH in promoting sustainable production of light alkenes.
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) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».