MétaCan
Menu
Retour à la cohorte
Enregistrement W6921920545 · doi:10.1021/ie302198g.s001

Improvement of Limestone-Based\nCO<sub>2</sub> Sorbents\nfor Ca Looping by HBr and Other Mineral Acids

2016· article· en· W6921920545 sur OpenAlexaboutno aff

Notice bibliographique

RevueFigshare · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueChemical Looping and Thermochemical Processes
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésReactivity (psychology)CarbonationCalcinationDopingDopantMineral

Résumé

récupéré en direct d'OpenAlex

The effects of mineral-acid doping on the long-term reactivity\nof limestone-based sorbents for CO<sub>2</sub> capture was investigated\nin this work. Havelock (Canada), Longcliffe (U.K.), and Purbeck (U.K.)\nlimestones were doped with a range of mineral acids (HCl, HBr, HI,\nand HNO<sub>3</sub>), and the effects of concentration were also studied.\nDoped samples were subjected to repeated cycles of carbonation and\ncalcination in a fluidized-bed reactor. The experimental results showed\nthat HBr and HCl as dopants with a 0.167 mol % doping concentration\nsignificantly improved the long-term reactivity of Havelock and Longcliffe\nlimestones (doping with HI marginally improved the reactivity); however,\ndoping Havelock limestone with a similar concentration of HNO<sub>3</sub> reduced its CO<sub>2</sub> uptake. Purbeck limestone was\nnot significantly improved in reactivity by any dopant. Gas adsorption\nanalyses showed that sorbents have a very small surface area: less\nthan 4 m<sup>2</sup>/g. The pore size distribution appears to change\nsignificantly upon doping for those sorbents that are improved by\ndoping, and it is likely that optimizing the pore size distribution\nupon cycling is one reason for the enhanced reactivity observed. The\npore-size distributions of the initially calcined limestones and the\nchanges thereof with cycling and doping explain the differences in\nthe behaviors of the limestones.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,092
Score d'incertitude au seuil0,996

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,205
Écart entre enseignants0,195 · 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 tête enseignante, pas un consensus.

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
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFigshareMême sujetChemical Looping and Thermochemical ProcessesTravaux en français237 207