MétaCan
Menu
Retour à la cohorte
Enregistrement W6921519812 · doi:10.71892/11143/900

Development of nickel-based catalysts with biosurfactants for CO2 hydrogenation

2025· other· en· W6921519812 sur OpenAlexaboutno aff

Notice bibliographique

RevueUSherbrooke-PROD · 2025
Typeother
Langueen
DomaineChemical Engineering
ThématiqueCatalysts for Methane Reforming
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMethanationRenewable energyGreenhouse gasFossil fuelRaw materialSubstitute natural gasNatural gasElectricity

Résumé

récupéré en direct d'OpenAlex

Le rythme rapide du développement humain et l'augmentation consécutive des émissions de gaz à effet de serre (GES) entraînent la nécessité urgente de réduire la dépendance aux combustibles fossiles et aux processus qui en dépendent. Dans ce contexte, le Canada et le Québec se sont engagés à atteindre les objectifs de l'Accord de Paris. Le Canada vise une réduction des émissions de 40-45% par rapport aux niveaux de 2005 d'ici 2030, et le Québec vise une réduction de 37,5% par rapport aux niveaux de 1990 d'ici 2030, et de jusqu'à 95% d'ici 2050. Cependant, atteindre ces objectifs pourrait être plus difficile que prévu. Dans ce contexte, le captage et l'utilisation du CO2 (CCU) est une technologie clé pour contrôler les émissions de GES dans le cadre du développement des technologies Power-to-X (PtX). Le PtX repose sur l'utilisation d'électricité renouvelable comme intrant pour produire des gaz, des produits chimiques, de la chaleur ou des combustibles à faible intensité carbone. La méthanation du CO2 est un procédé PtX de grand intérêt, car il utilise du CO2 et du H2 vert (issu de l'électrolyse de l'eau) pour produire du méthane à faible intensité carbone. Le méthane, qui provient aujourd’hui majoritairement du gaz naturel, est un vecteur énergétique largement utilisé en industrie soit pour la génération directe de chaleur ou encore comme matière première pour la production d’autres vecteurs énergétiques. La méthanation est ainsi un procédé qui permettrait de déplacer l’utilisation du gaz naturel fossile. Les catalyseurs Ni/Al2O3 produits par des techniques d'imprégnation conventionnelles se sont montrés comme les plus performants pour cette réaction. Bien que ces catalyseurs atteignent une conversion du CO2 élevée (jusqu'à 99%) et une sélectivité CH4 proche de 100%, des défis tels que le frittage, le dépôt de carbone, l'empoisonnement du catalyseur et la présence de réactions secondaires, comme la réaction reverse water-gas shift (RWGS) produisant du CO, persistent. Des études montrent que la réduction de la taille des particules de nickel et l'amélioration de la dispersion sur le support alumine peuvent atténuer ces problèmes. Dans ce contexte, ce projet s'est concentré sur la production de catalyseurs Ni/Al2O3 pour la méthanation du CO2 en utilisant des tensioactifs pour réduire la taille des particules de nickel, améliorer leur isolation et renforcer leur dispersion afin de maximiser les performances catalytiques. La première partie a exploré une méthode de synthèse verte utilisant le palmitate de sodium comme tensioactif pour disperser les nanoparticules de nickel. La deuxième partie a étudié une autre approche de synthèse verte utilisant une microémulsion avec du savon d'huile de tournesol comme tensioactif pour la dispersion des nanoparticules de nickel. Dans les deux cas, tous les catalyseurs ont été caractérisés et testés sous différentes conditions de procédé. Globalement, les résultats montrent l'efficacité du palmitate de sodium et du savon d'huile de tournesol dans la dispersion des nanoparticules de nickel, ouvrant la voie à l'utilisation d'huiles résiduelles dans la production de catalyseurs. Ces méthodes de synthèse verte offrent une approche prometteuse et écologique pour le développement de catalyseurs Ni/Al2O3 pour la méthanation du CO2 et ouvrent des perspectives pour de futures recherches sur l’utilisation de tensioactifs dans la synthèse de catalyseurs à base de métaux.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,245
Écart entre enseignants0,231 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUSherbrooke-PRODMême sujetCatalysts for Methane ReformingTravaux en français237 207