Iron- and Nitrogen-Functionalized Graphene Nanosheet and Nanoshell Composites as a Highly Active Electrocatalyst for Oxygen Reduction Reaction
Notice bibliographique
Résumé
In this work, we develop a simple method to thermally synthesize a nonprecious metal-based nitrogen-doped graphene (NG) electrocatalyst using exfoliated graphene (Ex-G) and urea with varying amounts of iron (Fe) precursor. The morphology and structural features of the synthesized electrocatalyst (Fe-NG) were characterized by SEM and TEM, revealing the existence of graphitic nanoshells that potentially contribute to the ORR activity by providing a higher degree of edge plane exposure. The surface elemental composition of the catalyst was analyzed through XPS, which showed a high content of a total N species (∼8 at. %), indicative of the effective N-doping, present mostly in the form of pyridinic nitrogen groups. The oxygen reduction reaction (ORR) performance of the catalyst was evaluated by rotating disk electrode voltammetry in alkaline electrolyte and in a zinc-air battery cell. Fe-NG demonstrated high onset and half-wave potentials of −0.023 V (vs SCE) and −0.110 V (vs SCE), respectively. This excellent ORR activity is translated into practical zinc-air battery performance capabilities approaching that of commercial platinum-based 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 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 | 0,000 |
| 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) | 0,000 | 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 ».