Facile Synthesis of Defect-Rich and S/N Co-Doped Graphene-Like Carbon Nanosheets as an Efficient Electrocatalyst for Primary and All-Solid-State Zn–Air Batteries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Developing facile and low-cost porous graphene-based catalysts for highly efficient oxygen reduction reaction (ORR) remains an important matter for fuel cells. Here, a defect-enriched and dual heteroatom (S and N) doped hierarchically porous graphene-like carbon nanomaterial (D-S/N-GLC) was prepared by a simple and scalable strategy, and exhibits an outperformed ORR activity and stability as compared to commercial Pt/C catalyst in an alkaline condition (its half-wave potential is nearly 24 mV more positive than Pt/C). The excellent ORR performance of the catalyst can be attributed to the synergistic effect, which integrates the novel graphene-like architectures, 3D hierarchically porous structure, superhigh surface area, high content of active dopants, and abundant defective sites in D-S/N-GLC. As a result, the developed catalysts are used as the air electrode for primary and all-solid-state Zn–air batteries. The primary batteries demonstrate a higher peak power density of 252 mW cm –2 and high voltage of 1.32 and 1.24 V at discharge current densities of 5 and 20 mA cm –2, respectively. Remarkably, the all-solid-state battery also exhibits a high peak power density of 81 mW cm –2 with good discharge performance. Moreover, such catalyst possesses a comparable ORR activity and higher stability than Pt/C in acidic condition. The present work not only provides a facile but cost-efficient strategy toward preparation of graphene-based materials, but also inspires an idea for promoting the electrocatalytic activity of carbon-based materials.
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.
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) | 0,001 | 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 | 0,001 | 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 découle