Highly Active Nitrogen-Doped Carbon Nanotubes for Oxygen Reduction Reaction in Fuel Cell Applications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
One of the main challenges in the commercialization of low temperature fuel cells is the slow oxygen reduction reaction (ORR) kinetics and the high cost and scarcity of platinum (Pt)-based catalysts. As a result, alternative non-noble electrocatalysts to Pt materials for ORR is needed to realize the practical application of fuel cells. In this study, nitrogen-doped carbon nanotubes (NCNTs) were synthesized as a non-noble electrocatalyst for the ORR using ethylenediamine (EDA-NCNT) and pyridine (Py-NCNT) as different nitrogen precursors by a single-step chemical vapor deposition (CVD) process. The resulting EDA-NCNT has shown similar ORR performance compared to platinum on carbon support in terms of onset and half-wave potentials. Moreover, EDA-NCNT showed superior ORR performance in terms of limiting current density, number of electrons transferred, and H 2 O selectivity. The effects of nitrogen content on ORR performance of NCNT were investigated by comparing EDA-NCNT with Py-NCNT. The ORR performance of Py-NCNT was inferior compared to EDA-NCNT in terms of onset and half-wave potentials, limiting current density, number of electrons transferred, and H 2 O selectivity. Further material characterizations by X-ray photoelectron spectroscopy (XPS) and Raman spectroscopy illustrated a higher nitrogen content and more defects in EDA-NCNT compared to that of Py-NCNT which indicates the important role of the nitrogen precursor on nitrogen content and structure of NCNT. By combining the results of ORR activity and material characterization, it is concluded that higher nitrogen content and more defects of NCNT lead to high ORR performance.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| 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 découle