A Review of Graphene‐Based Nanostructural Materials for Both Catalyst Supports and Metal‐Free Catalysts in PEM Fuel Cell Oxygen Reduction Reactions
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
A comprehensive overview and description of graphene‐based nanomaterials explored in recent years for catalyst supports and metal‐free catalysts for polymer electrolyte membrane (PEM) fuel cell oxygen reduction reactions (ORR) is presented. The catalyst material structures/morphologies, material selection, and design for synthesis, catalytic performance, catalytic mechanisms, and theoretical approaches for catalyst down‐selection and catalyzed ORR mechanisms are emphasized with respect to the performance of ORR catalysts in terms of both activity and stability. When graphene‐based materials, including graphene and doped graphene, are used as the supporting materials for both Pt/Pt alloy catalysts and non‐precious metal catalyst, the resulting ORR catalysts can give superior catalyst activity and stability compared to those of conventional carbon‐supported catalysts; when they are used as metal‐free ORR catalysts, significant catalytic activity and stability are observed. The nitrogen‐doped graphene materials even show superior performance compared to supported metal catalysts. Challenges including the lack of material mass production, unoptimized catalyst structure/morphology, insufficient fundamental understanding, and testing tools/protocols for performance optimization and validation are identified, and approaches to address these challenges are suggested.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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