Cu–Al–Zn/Magnetite Nanoparticle Composite Catalysts for Steam Reforming of MeOH by Magnetic Induction
Notice bibliographique
Résumé
We explore the use of a mechanical mixture comprising a commercial Cu–Al–Zn catalyst (CZA, HiFuel W220) and 160 nm magnetite nanoparticles as a susceptor for methanol steam reforming powered by induction heating. By the generation of heat locally near catalytic sites, this approach reduces thermal transfer limitations typically encountered in externally heated systems. The optimized mixture achieved 46% methanol conversion at 150 °C under induction heating compared to the 225 °C required for similar performance using conventional oven heating. The stability and performance of the mixture were assessed under both inert and reactive conditions. A solid-state reaction between the catalyst and magnetite was observed during inert gas heating, but this was effectively suppressed under the reducing methanol reforming stream. Durability tests showed stable activity with no significant copper sintering or performance loss over a period of 3 h. Magnetite-mediated localized heating enabled an efficient reaction while maintaining a low overall bed temperature. This work demonstrates the potential of catalyst–susceptor integration to enhance thermal efficiency in heterogeneous catalysis. The findings highlight design strategies for applying induction heating to catalytic systems, offering improved energy utilization and operational control for gas-phase reactions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».