Hydrogel-based water removal in biodiesel–diesel blends: efficacy and impact on metal contamination
Notice bibliographique
Résumé
After over a decade of using biodiesel blends, the challenge of its hygroscopic nature remains unresolved. Biodiesel’s chemical structure leads to significant water absorption, particularly during storage and distribution. This study explored water reduction in B30 biodiesel blends using two hydrogels: acrylate- and acrylamide-based, containing potassium (H1) and sodium (H2). A B30 blend with 600 ± 50 ppm water was filtered through a fixed-bed column with hydrogel at a flow rate of 10 L/h for 5 h per cycle. The results showed that both hydrogels effectively reduced water content; H1 decreased it to 155 ppm, while H2 reduced it to 187 ppm in the first cycle. Over seven cycles, H2 outperformed H1 with total adsorption capacities of 0.756 and 0.645 g H 2 O/g hydrogel, respectively. However, the adsorption process altered fuel metal content, indicating metal transfer from the hydrogel to the fuel. The concentrations of Ca, K, Mg, and Na increased after 30 min of contact with the hydrogel, with Na showing the most significant rise reaching up to 1.47 times the concentration in the feed. In contrast, the concentration of Al decreased, indicating that ion exchange occurred during the interaction between the fuel and the hydrogel.
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 ».