Lösningsmedelsregenerering av kaliumkarbonat i processer med koldioxidsinfångning från biomassa: en kinetisk studie
Bibliographic record
Abstract
I takt med att behovet av att minska utsläppen av växthusgasen ökar, ökar även intresset för negativa utsläpp. En lovande teknik för att uppnå negativa utsläpp är koldioxidlagring från biomassa, även kallad BECCS (Bio-Energy Carbon Capture and Storage). Trots teknologins mognad är de stora energibehoven vid lösningsmedelsregenerering ett hinder för storskalig implementering. I den här studien utforskas den relativt okända kinetiken för lösningsmedelsregenerering av kaliumkarbonat i ett steg för att optimera processen. Dessutom undersöks möjligheten att använda vanadin(V)oxid som katalysator för att förbättra desorptionshastigheten. Experimentella analyser utfördes i en sats-reaktor och gick ut på att undersöka förändringen av lösningsmedlets loading över tid genom regelbundna titreringar. Utöver detta undersöks den påverkan som temperatur och omrörning har på desorptionshastigheten. Experimenten utförs vid atmosfärstryck och temperaturer från 80°C till 100°C. Resultaten visade på god repeterbarhet trots svårigheter med temperaturöverskridningar. Desorptionshastigheten var lägre vid 80°C och 90°C än vid 100°C, men de logaritmiska hastighetskonstanterna följde inte en linjär relation mot temperaturinverserna vilket antyder att reaktionen är begränsad av massöverföring. Vidare påverkade inte användandet av en katalysator desorptionskinetiken märkbart, vilket än en gång antyder ett massöverföringsberoende. Slutligen visades ingen märkbar skillnad i desorptionshastighet trots olika omrörningshastigheter. Detta beror troligen på den redan höga massöverföringen som sker vid kokpunkten. Sammanfattningsvis bidrar denna studie med insikter för att förbättra effektiviteten hos regenereringen av lösningsmedel vid BECCS, vilket är avgörande för att motverka utsläppen och möta utmaningarna med klimatförändringarna.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 0.002 |
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".