Engineering the TiO<sub>2</sub>–Graphene Interface to Enhance Photocatalytic H<sub>2</sub> Production
Notice bibliographique
Résumé
In this work, TiO2 -graphene nanocomposites are synthesized with tunable TiO2 crystal facets ({100}, {101}, and {001} facets) through an anion-assisted method. These three TiO2 -graphene nanocomposites have similar particle sizes and surface areas; the only difference between them is the crystal facet exposed in TiO2 nanocrystals. UV/Vis spectra show that band structures of TiO2 nanocrystals and TiO2 -graphene nanocomposites are dependent on the crystal facets. Time-resolved photoluminescence spectra suggest that the charge-transfer rate between {100} facets and graphene is approximately 1.4 times of that between {001} facets and graphene. Photoelectrochemical measurements also confirm that the charge-separation efficiency between TiO2 and graphene is greatly dependent on the crystal facets. X-ray photoelectron spectroscopy reveals that Ti-C bonds are formed between {100} facets and graphene, while {101} facets and {001} facets are connected with graphene mainly through Ti-O-C bonds. With Ti-C bonds between TiO2 and graphene, TiO2 -100-G shows the fastest charge-transfer rate, leading to higher activity in photocatalytic H2 production from methanol solution. TiO2 -101-G with more reductive electrons and medium interfacial charge-transfer rate also shows good H2 evolution rate. As a result of its disadvantageous electronic structure and interfacial connections, TiO2 -001-G shows the lowest H2 evolution rate. These results suggest that engineering the structures of the TiO2 -graphene interface can be an effective strategy to achieve excellent photocatalytic performances.
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) | 0,001 | 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 ».