MétaCan
Menu
Retour à la cohorte
Enregistrement W2273519834 · doi:10.14447/jnmes.v16i3.4

Effects on Nafion® 117 Membrane using Different Strong Acids in Various Concentrations

2013· article· en· W2273519834 sur OpenAlexvenueno aff
Luisa Napoli, María José Lavorante, J. I. Franco, Alfredo Sanguinetti, Héctor J. Fasoli

Notice bibliographique

RevueJournal of New Materials for Electrochemical Systems · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueFuel Cells and Related Materials
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMembranePhosphoric acidElectrolyteNafionHydrochloric acidChemistryPerchloric acidNitric acidPolymerInorganic chemistryChromatographyNuclear chemistryOrganic chemistryBiochemistryElectrochemistryPhysical chemistryElectrode

Résumé

récupéré en direct d'OpenAlex

The effects of the acid nature and its concentration on the physico chemical properties of the membranes were studied. How these parameters impact the performance of Nafion 117 as a polymer Electrolyte membrane is shown.In particular the effect of this membrane treatment on its properties was studied with the following five strong acids: -Nitric, Sulphuric, Perchloric, Phosphoric or Hydrochloric acid- in six different concentrations: -0.025 M, 0.05 M, 0.25 M, 0.5 M, 0.75 M and 1 M.It was found that the membrane shows a similar behaviour when it is treated with different strong acids, incorporating between 16 to 21 molecules of water depending on the concentration of the acid. The results show that the effect of the different concentrations on the membrane behaviour is remarkable. This leads to the conclusion that the best treatment is to use solutions 0.025 M and 0.05 M (twenty times more diluted than the most concentrated solution tested in the experience) of the strong acid.It was also shown that after the membrane hydration its size increases by 10 percent (average).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
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 Opus0,009
Tête enseignante GPT0,216
Écart entre enseignants0,208 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations29
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of New Materials for Electrochemical SystemsMême sujetFuel Cells and Related MaterialsTravaux en français237 207