MétaCan
Menu
Back to cohort
Record W6921519812 · doi:10.71892/11143/900

Development of nickel-based catalysts with biosurfactants for CO2 hydrogenation

2025· other· en· W6921519812 on OpenAlexaboutno aff

Bibliographic record

VenueUSherbrooke-PROD · 2025
Typeother
Languageen
FieldChemical Engineering
TopicCatalysts for Methane Reforming
Canadian institutionsnot available
Fundersnot available
KeywordsMethanationRenewable energyGreenhouse gasFossil fuelRaw materialSubstitute natural gasNatural gasElectricity

Abstract

fetched live from 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.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: Bench or experimental
GenreCandidate signal: Other · Consensus signal: Other
Teacher disagreement score0.164
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0000.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0010.000
Bibliometrics0.0000.000
Science and technology studies0.0000.000
Scholarly communication0.0000.000
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0000.000

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.

Opus teacher head0.014
GPT teacher head0.245
Teacher spread0.231 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designBench or experimental
Domainnot available
GenreOther

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".

Quick stats

Citations0
Published2025
Admission routes1
Has abstractyes

Explore more

Same venueUSherbrooke-PRODSame topicCatalysts for Methane ReformingFrench-language works237,207