Shape controllers enhance the efficiency of graphene–TiO<sub>2</sub>hybrids in pollutant abatement
Notice bibliographique
Résumé
The addition of graphene nanoplatelets (GNP) to TiO2 nanoparticles (NPs) has been recently considered as a method to improve the photocatalytic efficiency of TiO2 by favoring charge carrier separation. Here, we show that it is possible to improve the efficiency of GNP-TiO2 composites by controlling the shape, stability, and facets of TiO2 NPs grown on GNP functionalized with either COOH or NH2 groups, while adding ethylendiamine (EDA) and oleic acid (OA) during a hydrothermal synthesis. We studied the photocatalytic activity of all synthesized materials under UV-A light using phenol as a target molecule. GNP-TiO2 composites synthesized on COOH-functionalized GNP, exposing {101} facets, were more efficient at abating phenol than those synthesized on NH2-functionalized GNP, exposing {101} and {100} facets. However, neither of these composites was stable under irradiation. The addition of both OA and EDA stabilized the materials under irradiation; however, only the composite prepared on COOH-functionalized GNP in the presence of EDA showed a significant increase in phenol degradation rate, leading to results that were better than those obtained with TiO2 alone. This result can be attributed to Ti-OH complexation by EDA, which protects GNP from oxidation. The orientation of the most reducing {101} facets toward GNP and the most oxidizing {100} facets toward the solution induces faster phenol degradation owing to a better separation of the charge carriers.
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 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 | 0,001 |
| 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 tête enseignante, 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 ».