Однокомпанентные катализаторы синтеза смеси Н2 и СО из природного газа метана

IF 0.9 4区数学 Q3 COMPUTER SCIENCE, THEORY & METHODS

Combinatorics, Probability & Computing Pub Date : 2020-10-27 DOI:10.18321/CPC350

Г. Е. Ергазиева, Р.Х. Тургумбаева, К.М. Сахиева, К. Досумов, М. М. Тельбаева

{"title":"Однокомпанентные катализаторы синтеза смеси Н2 и СО из природного газа метана","authors":"Г. Е. Ергазиева, Р.Х. Тургумбаева, К.М. Сахиева, К. Досумов, М. М. Тельбаева","doi":"10.18321/CPC350","DOIUrl":null,"url":null,"abstract":"В реакции углекислотной конверсии метана до синтез–газа исследованы однокомпонентные катализаторы на основе оксидов (NiO, Co2O3 и МоО3), нанесенные на различные носители (θ-Al2O3, γ-Al2O3, 5А, 4А, 3А, 13Х, HY и HZSM-5). Определен оптимальный состав катализатора на основе оксида никеля с содержанием на носителе 3 масс.%, оксида кобальта – 15 масс.% и оксида молибдена-10 масс.%. Изучено влияние методов приготовления на активность эффективного 3 масс.% NiO/ γ-Al2O3 катализатора в реакции углекислотной конверсии метана в Н2 и СО. Для никелевого катализатора с низким содержанием активной фазы выбран оптимальный способ приготовления (метод каппилярной пропитки носителя по влагоемкости). На 3 масс.% NiO/ γ-Al2O3 катализаторе при условии реакции СН4:СО2 = 1:1, Тр - 8000С, W=1500 ч-1 значения конверсии и выхода целевых продуктов составляют: ХСН4- 89%, ХСО2 - 93 %, С (Н2)- 45,4 %, С (СО) – 42,4 %.","PeriodicalId":10513,"journal":{"name":"Combinatorics, Probability & Computing","volume":null,"pages":null},"PeriodicalIF":0.9000,"publicationDate":"2020-10-27","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Combinatorics, Probability & Computing","FirstCategoryId":"100","ListUrlMain":"https://doi.org/10.18321/CPC350","RegionNum":4,"RegionCategory":"数学","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q3","JCRName":"COMPUTER SCIENCE, THEORY & METHODS","Score":null,"Total":0}

引用次数: 0

Abstract

В реакции углекислотной конверсии метана до синтез–газа исследованы однокомпонентные катализаторы на основе оксидов (NiO, Co2O3 и МоО3), нанесенные на различные носители (θ-Al2O3, γ-Al2O3, 5А, 4А, 3А, 13Х, HY и HZSM-5). Определен оптимальный состав катализатора на основе оксида никеля с содержанием на носителе 3 масс.%, оксида кобальта – 15 масс.% и оксида молибдена-10 масс.%. Изучено влияние методов приготовления на активность эффективного 3 масс.% NiO/ γ-Al2O3 катализатора в реакции углекислотной конверсии метана в Н2 и СО. Для никелевого катализатора с низким содержанием активной фазы выбран оптимальный способ приготовления (метод каппилярной пропитки носителя по влагоемкости). На 3 масс.% NiO/ γ-Al2O3 катализаторе при условии реакции СН4:СО2 = 1:1, Тр - 8000С, W=1500 ч-1 значения конверсии и выхода целевых продуктов составляют: ХСН4- 89%, ХСО2 - 93 %, С (Н2)- 45,4 %, С (СО) – 42,4 %.

查看原文本刊更多论文

从甲烷天然气中合成H2和CO混合物的单组分催化剂

在甲烷到合成气体的二氧化碳转化反应中，研究了应用于各种载体（θ-Al2O3、γ-Al2O3、5A、4A、3A、13X、HY和HZSM-5）的氧化物（NiO、CO2和MoO3）的单组分催化剂。确定了载体质量为3%的氧化镍催化剂的最佳组成，氧化钴-15质量%和氧化钼的质量为10%。研究了制备方法对有效3质量活性的影响。Nio/γ-Al2O3催化剂在甲烷二氧化碳转化为H2和CO的反应中的作用。对于活性相低的镍催化剂，选择了最佳制备方法（湿容量滴注法）。质量%Nio/γ-Al2O3催化剂反应CH4:CO2=1:1，TP-8000C，W=1500 CH-1目标产品转化率和产量值为：CHN4-89%，CHO2-93%，C（H2）-45.4%，C（CO）-42.4%。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Combinatorics, Probability & Computing 数学-计算机：理论方法

CiteScore

2.40

自引率

11.10%

发文量

审稿时长

6-12 weeks

期刊介绍： Published bimonthly, Combinatorics, Probability & Computing is devoted to the three areas of combinatorics, probability theory and theoretical computer science. Topics covered include classical and algebraic graph theory, extremal set theory, matroid theory, probabilistic methods and random combinatorial structures; combinatorial probability and limit theorems for random combinatorial structures; the theory of algorithms (including complexity theory), randomised algorithms, probabilistic analysis of algorithms, computational learning theory and optimisation.