Bibliographic record
Abstract
Finalement la formation de coke réduit la surface spécifique du catalyseur de 30.5 m 2 /g à 23 m 2 /g après 14 h.Les dépôts de coke n'obstruent donc pas l'orifice des pores du catalyseur mais se déposent plutôt sous forme d'une monocouche le long des parois internes des pores.Des charges d'acid phosphotungstic (HPW) de 10, 20 et 30 wt% massiques été déposées par imprégnation sur deux types de support d'oxide de titane.Les performances des catalyseurs ont été examinées dans les mêmes conditions opératoires dans un microréacteur à lit fluidisé.Les catalyseurs d'oxide de titane pur ont montré la plus faible sélectivité envers l'acroléine et la plus forte pour l'acétol.La sélectivité pour l'acétol diminue ensuite à mesure que la charge en tungstène augmente.D'un autre côté, pour les deux types de supports, 20% s'est révélé être la charge massique optimale d'acid phosphotungstic pour la production d'acroléine (48% de sélectivité) à 280 • C. Une diminution des pores du TiO 2 de 17.3 nm à 5.6 nm fait chuter la sélectivité en acroléine de 48% à 35% tout en triplant la formation de coke.Finalement, nous avons examiné les effets de l'addition de promoteurs de coke tels que la tétraline et la décaline sur les catalyseurs de WO 3 -TiO 2 .La forte formation de coke en début de réaction est attribuée à la présence de sites non sélectifs à la surface du catalyseur frais.Les promoteurs de coke couvrent ces sites et augmentent ainsi la sélectivité en acroléine de 10% à 30% dans les 30 premières minutes de la réaction.viii
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".