Innovative Catalysts For Biodiesel Synthesis: Transforming Waste Cooking Oil With Mango And Banana Peel Extracts And Koh
Notice bibliographique
Résumé
The global need for energy is increasing steadily.Fossil fuels, namely coal, gas, and crude oil, are the primary energy sources worldwide.Nevertheless, fossil fuels will eventually exhaust, and renewable energy emerges as the most rational substitute, given that fossil fuels contribute to acid rain, the greenhouse effect, and other ecological issues.Renewable biofuels provide the capacity to satisfy the worldwide energy requirement and offer substantial potential.Biodiesel is a significant alternative from biological sources that can replace petroleum.Waste cooking oil was employed as a primary resource for biodiesel production.This study examines the disparities in utilizing three distinct catalysts: a homogeneous catalyst such as KOH and heterogeneous catalysts such as mango and banana peels.Before biodiesel extraction, Mango powder and banana powder were subjected to analysis using FT-IR, SEM, EDS, and XRD techniques.The mango catalyst yielded the most significant amount of synthesized biodiesel (74.97%), followed by the banana catalyst (63.44%) and the KOH catalyst (45.06%).The GC-MS analysis revealed that the biodiesel produced using potassium hydroxide (KOH) exhibited the most significant amounts of all components.This observation supports that potassium hydroxide is a highly efficient and active catalyst, surpassing banana and mngo in catalytic activity.
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) | 0,000 | 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 ».