Supercritical water deasphalting and desulphurization of heavy fuel oil with comprehensive molecular‐level analysis and techno‐economic analysis
Notice bibliographique
Résumé
Abstract The removal of sulphur from heavy fuel oil (HFO) is essential to address environmental concerns and comply with the stringent regulations imposed by the International Maritime Organization (IMO) in 2020. Previously, the acceptable limit for sulphur was 3.5 wt.%, but it was recently changed to 0.5 wt.%. Hence, upgrading HFO into low‐sulphur marine fuel can be achieved by removing its heptane‐insoluble asphaltene fraction. Solvent deasphalting, typically used in the petroleum industry, can be applied for deasphalting HFO, but this study investigates the supercritical water deasphalting (SCWDA) process, to develop a scalable deasphalting process for upgrading HFO into low‐sulphur marine and power‐generation fuel. Multiple variations of supercritical water deasphalting experiments were carried out to evaluate the effects of process parameters to optimize upgrading conditions. Characterization of the deasphalted oil (DAO) and the precipitated solid material with nitrogen and sulphur (NS) analyzer, and thermogravimetric analysis (TGA) confirmed the complete removal of asphaltene along with a significant amount of resins from HFO. The HFO, DAO, and the asphaltene fraction were further analyzed by Fourier‐transform ion cyclotron resonance mass spectrometry (FT‐ICR MS) and nuclear magnetic resonance (NMR). SCWDA reduced the sulphur content of HFO from 34,270 ppm to 6690 ppm. Techno‐economic analysis (TEA) shows significant economic viability, resulting in lower production cost for deasphalted oil (DAO) at 647 USD per tonne (capacity: −40,000 barrel/day feed; yield of DAO: −98%; Discount rate of return: −8%; Reference year: −2023–24; Location: Saskatoon, Canada).
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 ».