Study on the Synthesis of Ni–Al<sub>2</sub>O<sub>3</sub> Catalysts via Topological Transformation and Their Structure–Activity Relationship
Notice bibliographique
Résumé
Nitrohydrogenation is a common process in industry. Here, a highly efficient Ni–Al 2 O 3 catalyst derived from Ni–Al layered double hydroxide synthesized in a rotating packed bed (RPB) was first applied in the hydrogenation of 3,4-dichloronitrobenzene (3,4-DCNB) to 3,4-dichloroaniline (3,4-DCA). Leveraging the enhanced mass transfer and micromixing performances by applying RPB, the phenomenon of particle agglomeration and uneven size distribution occurring during catalyst synthesis has been effectively mitigated. The effects of Ni mass fraction, reduction temperature, and time on the physical properties and catalytic performance of the catalyst were investigated. Results showed that the Ni–Al 2 O 3 catalysts prepared under optimal conditions (Ni mass fraction of 78 wt %, reduction temperature of 500 °C, reduction time of 4 h) have small Ni particle sizes and high dispersion. When applied to 3,4-DCNB hydrogenation under optimized conditions (65 °C, 1.5 MPa of H 2, 60 min, catalyst loading 12.55 mg/g), both conversion and 3,4-DCA selectivity approached 100%. Furthermore, the kinetic study on the 3,4-DCNB hydrogenation revealed that the reaction has an activation energy of 39.91 kJ/mol and a pre-exponential factor of 2.54 × 10 4 min –1 . This finding presents an innovative approach for preparing a highly efficient Ni-based catalyst for the hydrogenation of 3,4-DCNB to 3,4-DCA.
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 | 0,003 |
| 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 | 0,001 | 0,002 |
| 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 ».