Modeling Vapor–Liquid–Liquid Phase Equilibria\nin Fischer–Tropsch Syncrude
Notice bibliographique
Résumé
Vapor–liquid–liquid\nequilibrium (VLLE) during product\nrecovery and separation after Fischer–Tropsch synthesis affects\nthe efficiency of downstream processing. Proper prediction of the\nVLLE is necessary to improve this processing step in the Fischer–Tropsch\nprocess; however, there is little guidance on what thermodynamic models\nto use. A similar problem presents itself in processes related to\nbiomass conversion. The selection of an appropriate thermodynamic\nmodel to describe the nonideal VLLE of water–oxygenate–hydrocarbon\nmixtures was investigated. Cubic equations of state, virial equations\nof state, activity coefficient models, and equations of state with\nadvanced mixing rules were considered. The evaluation was conducted\nusing both default and optimized parameters. Predictive performance\nwas improved when binary interaction parameters were optimized using\nexperimental data, but parameter optimization is onerous and it is\nnot always practical. It was found that cubic equations of state should\nnot be used for nonideal systems, and even when combined with advanced\nmixing rules, there is a risk of poor predictive performance. Although\nthe nonrandom two-liquid (NRTL) activity coefficient model is often\nconsidered for polar compounds, this investigation found that the\npredictive performance of NRTL degraded as the nonideality of the\nsystem increased. The universal quasi-chemical (UNIQUAC) activity\ncoefficient model was the best all-around model for predicting the\nphase behavior of water–oxygenate–hydrocarbon systems.\nThe Hayden–O’Connell virial equation of state predicted\nthe vapor–liquid phase equilibrium of hydrogen bonding materials\nwell. UNIQUAC in tandem with the Hayden–O’Connell equation\nof state is recommended for the modeling of Fischer–Tropsch\nsyncrude VLLE when the partitioning of oxygenates between phases is\nimportant.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,071 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».