Biomass derivatives in heterogeneous catalysis : adsorption, reactivity and support from first principles
Bibliographic record
Abstract
Dérivés de la biomasse en catalyse hétérogène : adsorption, réactivité et support depuis les premiers principes L’abandon progressif des ressources fossiles s’accompagne de l’exploitation croissante de la biomasse. Cette transition nécessite de développer de nouveaux procédés notamment en catalyse hétérogène. Les chimistes se heurtent alors à deux défis majeurs : (i) désoxygéner la biomasse (cellulose/lignine) pour revenir à la chimie maîtrisée des grands intermédiaires (ii) rendre les catalyseurs résistants à l’eau, omniprésente en biomasse. En collaboration avec des expérimentateurs de l’Université d’Ottawa, nous nous sommes d’abord intéressés à la désoxygénation d’aromatiques de type lignine. Les calculs ab initio (DFT) nous ont permis de dresser les caractéristiques d’adsorption de ces composés sur Pt(111) en termes de descripteurs moléculaires simples. Nous avons ensuite étudié le mécanisme de décomposition de l’anisole et du 2-phénoxyéthanol, molécules modèles. Nos études ont montré l’importance de l’hydrogène et des fragments carbonés sur la réaction de désoxygéna6on de ces composés. En parallèle nous nous sommes intéressés à la stabilité, dans l’eau, d’un des supports catalytiques majeurs : l’alumine-γ. Ce sujet clé pose des défis considérables en modélisation, puisqu’il nécessite d’utiliser des méthodes de dynamiques moléculaires ab initio. Celles-ci nous ont permis de caractériser la structuration de l’eau au contact de l’alumine et l’importance de la solvatation sur les aluminols de surface. À l’aide de méthodes d’événements rares (dynamique contrainte, métadynamique) nous avons enfin abordé la réactivité d’alcools et de l’eau avec l’alumine hydratée. Ces simulations ont permis d’identifier les premières étapes d’hydratation et de mieux comprendre comment les limiter.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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.
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".