MétaCan
Menu
Retour à la cohorte
Enregistrement W2059175667 · doi:10.1038/srep02431

Controlled Growth of Platinum Nanowire Arrays on Sulfur Doped Graphene as High Performance Electrocatalyst

2013· article· en· W2059175667 sur OpenAlexafffund
Rongyue Wang, Drew Higgins, Md Ariful Hoque, Dongun Lee, Fathy M. Hassan, Zhongwei Chen

Notice bibliographique

RevueScientific Reports · 2013
Typearticle
Langueen
DomaineEnergy
ThématiqueElectrocatalysts for Energy Conversion
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of Waterloo
Mots-clésElectrocatalystNucleationMaterials scienceGrapheneNanowireCatalysisPlatinumElectrochemistryNanotechnologyDopantChemical engineeringElectrochemical energy conversionDispersion (optics)DopingElectrodeChemistryOptoelectronicsPhysical chemistry

Résumé

récupéré en direct d'OpenAlex

Graphene supported Pt nanostructures have great potential to be used as catalysts in electrochemical energy conversion and storage technologies; however the simultaneous control of Pt morphology and dispersion, along with ideally tailoring the physical properties of the catalyst support properties has proven very challenging. Using sulfur doped graphene (SG) as a support material, the heterogeneous dopant atoms could serve as nucleation sites allowing for the preparation of SG supported Pt nanowire arrays with ultra-thin diameters (2-5 nm) and dense surface coverage. Detailed investigation of the preparation technique reveals that the structure of the resulting composite could be readily controlled by fine tuning the Pt nanowire nucleation and growth reaction kinetics and the Pt-support interactions, whereby a mechanistic platinum nanowire array growth model is proposed. Electrochemical characterization demonstrates that the composite materials have 2-3 times higher catalytic activities toward the oxygen reduction and methanol oxidation reaction compared with commercial Pt/C catalyst.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,194
Écart entre enseignants0,189 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations82
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetElectrocatalysts for Energy ConversionTravaux en français237 207