Oxygen Reduction on Graphene–Carbon Nanotube Composites Doped Sequentially with Nitrogen and Sulfur
Notice bibliographique
Résumé
The development of unique, reliable, and scalable synthesis strategies for producing heteroatom-doped nanostructured carbon materials with improved activity toward the electrochemical oxygen reduction reaction (ORR) occurring in metal–air batteries and fuel cells presents an intriguing technological challenge in the field of catalysis. Herein, we prepare unique graphene–carbon nanotube composites (GC) doped sequentially with both nitrogen and sulfur (GC-NLS) and subject them to extensive physicochemical characterization and electrochemical evaluation toward the ORR in an alkaline electrolyte. GC-NLS provides ORR onset potential increases of 50 and 70 mV in comparison to those of dual-doped individual graphene and carbon nanotubes, respectively. This highlights the significant synergistic effects that arise because of the nanocomposite arrangement, consisting of highly graphitized carbon nanotubes assembled on the surface of graphene sheets. The addition of sulfur as a co-dopant is also highly beneficial, providing an 80 mV increase in the ORR onset potential in comparison to that of GC nanocomposites doped with only nitrogen. Excellent electrochemical stability of GC-NLS is also observed through 5000 electrode potential cycles, indicating the promising potential of this new class of dual-doped GC nanocomposites as ORR catalysts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».