MétaCan
Menu
Retour à la cohorte
Enregistrement W2573313258 · doi:10.1021/acs.nanolett.6b05287

Structure-Sensitive CO<sub>2</sub> Electroreduction to Hydrocarbons on Ultrathin 5-fold Twinned Copper Nanowires

2017· article· en· W2573313258 sur OpenAlexfundno aff
Yifan Li, Fan Cui, Michael B. Ross, Dohyung Kim, Yuchun Sun, Peidong Yang

Notice bibliographique

RevueNano Letters · 2017
Typearticle
Langueen
DomaineEnergy
ThématiqueCO2 Reduction Techniques and Catalysts
Établissements canadiensnon disponible
Organismes subventionnairesBasic Energy SciencesSamsungCanadian Institute for Advanced ResearchU.S. Department of Energy
Mots-clésNanowireCopperFold (higher-order function)Materials scienceNanotechnologyCrystallographyNanoparticleChemistryInorganic chemistryChemical engineeringMetallurgy

Résumé

récupéré en direct d'OpenAlex

Copper is uniquely active for the electrocatalytic reduction of carbon dioxide (CO 2 ) to products beyond carbon monoxide, such as methane (CH 4 ) and ethylene (C 2 H 4 ). Therefore, understanding selectivity trends for CO 2 electrocatalysis on copper surfaces is critical for developing more efficient catalysts for CO 2 conversion to higher order products. Herein, we investigate the electrocatalytic activity of ultrathin (diameter ∼20 nm) 5-fold twinned copper nanowires (Cu NWs) for CO 2 reduction. These Cu NW catalysts were found to exhibit high CH 4 selectivity over other carbon products, reaching 55% Faradaic efficiency (FE) at −1.25 V versus reversible hydrogen electrode while other products were produced with less than 5% FE. This selectivity was found to be sensitive to morphological changes in the nanowire catalyst observed over the course of electrolysis. Wrapping the wires with graphene oxide was found to be a successful strategy for preserving both the morphology and reaction selectivity of the Cu NWs. These results suggest that product selectivity on Cu NWs is highly dependent on morphological features and that hydrocarbon selectivity can be manipulated by structural evolution or the prevention thereof.

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)0,000
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 seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
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 recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 GPT0,243
Écart entre enseignants0,234 · 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

Citations454
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNano LettersMême sujetCO2 Reduction Techniques and CatalystsTravaux en français237 207