Post-Calcined Carbon Nitride Nanosheets as an Efficient Photocatalyst for Hydrogen Production under Visible Light Irradiation
Notice bibliographique
Résumé
Hydrogen production via photocatalytic water splitting using sunlight has enormous potential to solve the worldwide energy and environmental crisis. The key challenge in this process is to develop efficient photocatalysts which must satisfy several criteria such as strong sunlight absorption, effective charge separation, and high photochemical stability. Graphitic carbon nitride is one of the best semiconductors for hydrogen evolution because of its conduction band edge, narrow band gap, and high chemical stability. However, it produces a small amount of hydrogen under visible light irradiation due to its small surface area and high recombination rates. In this work, nanosheets of graphitic carbon nitride with carbon vacancies and nanoholes were synthesized by a two-step treatment process (argon treatment followed by air calcination). These post-calcined carbon nitride nanosheets exhibited much higher photocatalytic activity compared to common graphitic carbon nitride. By depositing platinum as a cocatalyst via a photodeposition method, this semiconductor showed noticeable improvement in hydrogen production rate at 10 times that of graphitic carbon nitride. Its hydrogen evolution rate was 5261 μmol h –1 g –1 under visible light illumination with a quantum efficiency of 29.2% at 400 nm and 21.3% at 420 nm. This high amount of hydrogen production rate could be due to large specific surface area, an extension of visible light absorption tail-end, and lower charge recombination centers throughout the semiconductor. In addition, by a recalcination step in air, some defects are introduced into the structure of carbon nitride nanosheets owing to carbon vacancies. These defects are considered to be highly active photocatalytic sites for hydrogen production.
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 | 0,001 |
| 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 ».