The thermal characteristics and kinetics of coal, biomass (pine sawdust) and their blends were evaluated under combustion conditions using a non-isothermal thermogravimetric method (TGA). Biomass was blended with coal in the range of 5–80 wt.% to evaluate their co-combustion behaviour. No significant interactions were detected between the coal and biomass, since no deviations from their expected behaviour were observed in these experiments. Biomass combustion takes place in two steps: between 200 and 360 °C the volatiles are released and burned, and at 360–490 °C char combustion takes place. In contrast, coal is characterized by only one combustion stage at 315–615 °C. The coal/biomass blends presented three combustion steps, corresponding to the sum of the biomass and coal individual stages. Several solid-state mechanisms were tested by the Coats–Redfern method in order to find out the mechanisms responsible for the oxidation of the samples. The kinetic parameters were determined assuming single separate reactions for each stage of thermal conversion. The combustion process of coal consists of one reaction, whereas, in the case of the biomass and coal/biomass blends, this process consists of two or three independent reactions, respectively. The results showed that the chemical first order reaction is the most effective mechanism for the first step of biomass oxidation and for coal combustion. However, diffusion mechanisms were found to be responsible for the second step of biomass combustion.

The current generation of large language models (LLMs) has limited chemical knowledge. Recently, it has been shown that these LLMs can learn and predict chemical properties through fine-tuning. Using natural language to train machine learning models opens doors to a wider chemical audience, as field-specific featurization techniques can be omitted. In this work, we explore the potential and limitations of this approach. We studied the performance of fine-tuning three open-source LLMs (GPT-J-6B, Llama-3.1-8B, and Mistral-7B) for a range of different chemical questions. We benchmark their performances against "traditional" machine learning models and find that, in most cases, the fine-tuning approach is superior for a simple classification problem. Depending on the size of the dataset and the type of questions, we also successfully address more sophisticated problems. The most important conclusions of this work are that, for all datasets considered, their conversion into an LLM fine-tuning training set is straightforward and that fine-tuning with even relatively small datasets leads to predictive models. These results suggest that the systematic use of LLMs to guide experiments and simulations will be a powerful technique in any research study, significantly reducing unnecessary experiments or computations.

This work aims to assess the surface coupling of molecularly imprinted polymers (MIP) on carbon adsorbents produced from spent brewery grain, namely biochar (BC) and activated carbon (AC), as a strategy to improve selectivity and the adsorptive removal of the antibiotic sulfamethoxazole (SMX) from water. BC and AC were produced by microwave-assisted pyrolysis, and MIP was obtained by fast bulk polymerization. Two different methodologies were used for the molecular imprinting of BC and AC, the resulting materials being tested for SMX adsorption. Then, after selecting the most favourable molecular imprinting methodology, different mass ratios of MIP:BC or MIP:AC were used to produce and evaluate eight different materials. Molecular imprinting was shown to significantly improve the performance of BC for the target application, and one of the produced composites (MIP1-BC-s(1:3)) was selected for further kinetic and equilibrium studies and comparison with individual MIP and BC. The kinetic behaviour was properly described by both the pseudo-first and pseudo-second order models. Regarding equilibrium isotherms, they fitted the Freundlich and Langmuir models, with MIP1-BC-s(1:3) reaching a maximum adsorption capacity (q