Catalytic Hydrodeoxygenation of Bio-Crude and Heavy Gas Oil Blends Using Carbon-Supported Molybdenum Catalysts
Notice bibliographique
Résumé
The present study focused on decreasing the amount of oxygen present in hydrothermal liquefaction (HTL) biocrude via catalytic hydrodeoxygenation. To serve the purpose, carbon-supported molybdenum carbide catalysts were synthesized via carbothermal hydrogen reduction method using three different carbon supports, commercial activated carbon (AC), commercial multi-walled carbon nanotubes, and bioresidue (BR) obtained via solvent-extraction from a HTL product mixture. The catalysts were screened for their oxygen reduction efficiency using a blend of HTL biocrude in hydrotreated heavy gas oil. The BR-based catalyst was identified as the best-performing catalyst at the screening conditions because it exhibited a higher oxygen reduction percentage (49.2 wt %) than the catalysts synthesized using carbon nanotubes (21.5 wt %) and AC (22.4 wt %). The synthesized catalysts were characterized in order to explain their oxygen reduction percentages, and a parametric study was carried out for the best-performing catalyst to determine the effects of process parameters such as temperature, pressure, reaction time, and catalyst loading on oxygen reduction efficiency. The characterization results revealed that the BR-supported molybdenum catalyst had the highest number of strongly acidic sites, the highest concentration of β-Mo 2 C on its surface, a molybdenum dispersion of 2.4 wt %, a BET surface area of 118 m 2 /g, and an average pore size of 9.7 nm. The oxygen reduction percentage for the BR-based catalyst improved and reached the maximum value of 59.8% for a reaction that was carried out at 325 °C and 5 MPa for 2 h with a catalyst loading of 4% w/w.
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 | 0,001 |
| 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 ».