Sn-silica catalyzes cheese whey to lactic acid in a fluidized bed reactor
Notice bibliographique
Résumé
Worldwide, the dairy industry produces 200 million tons per year of whey. Among the most abundant components of cheese whey is lactose, a low-priced raw material for nutraceuticals, animal feed, and high value products such as lactic acid (LA)., a specialty chemical platform in the pharmaceutical, cosmetic, and in the food industry, and is the precursor to polylactic acid, a biodegradable polymer. Here, we propose a fluidized bed process that atomizes an aqueous lactose solution directly into a catalytic bed operating at 325 ∘ C to produce LA. We synthesized silica supported Sn catalysts by varying the metal loading (from 0 to 0.1 g g −1 of Sn) and analyzed its physicochemical properties. This research highlights the critical role of Sn as an active site to hydrolyse/isomerize/retro-aldol/dehydrate/crack lactose to lactic acid in a gas phase environment. All catalysts achieved complete conversion. SiO 2 impregnated with 0.1 g g −1 Sn catalyst achieved the maximum lactic acid yield of 23 % at 2 h of the reaction. Lactic acid yield declined thereafter due to coke blocking the active catalytic sites. XPS, Raman and CHN analysis highlighted changes in carbon distribution and evidence of coke accumulation in the spent catalyst. This article brings new findings related to significant challenges related to the continuous operation of a fluidized bed reactor in the conversion of lactose and strategies to mitigate agglomeration and coke formation. • A two fluid nozzle atomizes lactose solution into a fluidized bed of Sn-SiO 2 • Sn-silica supported catalysts convert lactose to lactic acid at 23 % yield at 2 h. • Lactic acid yield rises with Sn loading up to 0.1 g g −1 , with full lactose conversion. • Coke deactivates catalyst after 3 h operation confirmed by Raman spectroscopy and XPS.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».