MétaCan
Menu
← Retour à la cohorte
Enregistrement W2734367372 · doi:10.1149/ma2017-02/41/1789

Poison-Resistant Electrocatalysis Enabled By Encapsulation of Platinum with Silicon Oxide Nanomembranes

2017· article· en· W2734367372 sur OpenAlexaboutno aff
Natalie Yumiko Labrador, Eva Liza Songcuan, Chathuranga De Silva, Daniel V. Esposito

Notice bibliographique

RevueECS Meeting Abstracts · 2017
Typearticle
Langueen
DomaineEnergy
ThématiqueElectrocatalysts for Energy Conversion
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésElectrocatalystMaterials scienceCatalysisNanotechnologyElectrochemistryChemical engineeringElectrodePlatinumOxideNanoparticleSiliconChemistryOptoelectronicsMetallurgyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Improvement in the efficiency and lifetime of electrochemical technologies such electrolyzers and photoelectrochemical cells are critically important for the realization of storable chemical fuels.[1-5] Typically, the device lifetime relies on the durability of electrocatalyst nanoparticles. In an effort to reduce costs and catalyst loading, catalyst particle sizes are kept small (< 5 nm). However, decreasing particle size often leads to increased rates degradation mechanisms that generally reduce the electrochemically active surface area (ECSA).[1,6,7] To prevent this degradation, previous studies have encapsulated the active electrocatalyst material with an ultrathin, permeable or porous silica layer.[8,9] These encapsulated electrocatalysts exhibited greatly enhanced stability compared to silica-free electrocatalysts while still maintaining high electrochemical activity. It was hypothesized that transport of reactant and product species occurred through the silica layers, although direct evidence and detailed understanding of transport through the silica was lacking. This understanding is complicated by the complex electrode geometries studied in both reports, where the silica coatings had varying thickness and did not uniformly coat the electroactive Pt. This study removes this complexity by investigating well-defined Pt thin film electrodes that are encapsulated with silicon oxide (SiOx) nanomembranes. By systematically changing the SiOx thickness and evaluating hydrogen evolution reaction (HER) performance, we seek to gain deeper understanding of the structure-property relationships that affect the transport properties through SiOx nanomembranes. This membrane coated electrocatalyst (MCEC) architecture provides a promising approach to enhance electrocatalyst stability, improve poison resistance, and/or tune reaction selectivity. We use a room-temperature UV ozone synthesis process to systematically control the thickness of SiOx overlayers with nanoscale precision and evaluate the effects on the ECSA and HER performance of the underlying Pt thin films. Through detailed characterization of the SiOx overlayers this study shows that proton and H2 transport occur primarily through the SiOx coating. Notably, the SiOx nano-membranes exhibit high selectivity for proton and H2 transport compared to a HER poison species such as copper ions. These results demonstrate that MCECs are capable of multifunctional catalysis with poisoning resistance, still a more complete understanding of the structure-property-performance relationships will enable design improvements to further minimize efficiency losses due to mass-transport overpotential losses. References: [1] Shao-Horn, Y.; Sheng, W. C.; Chen, S.; Ferreira, P. J.; Holby, E. F.; Morgan, D. Top. Catal. 2007, 46(3–4), 285. [2] Wang, Y.; Chen, K. S.; Mishler, J.; Cho, S. C.; Adroher, X. C. Appl. Energy 2011, 88(4), 981. [3] Paidar, M.; Fateev, V.; Bouzek, K. Electrochimica Acta. 2016, pp 737–756. [4] Debe, M. K. Nature 2012, 486(7401), 43. [5] Pinaud, B. A.; Benck, J. D.; Seitz, L. C.; Forman, A. J.; Chen, Z.; Deutsch, T. G.; James, B. D.; Baum, K. N.; Baum, G. N.; Ardo, S.; Wang, H.; Miller, E.; Jaramillo, T. F. Energy Environ. Sci. 2013, 6(7), 1983. [6] Ferreira, P. J.; la O’, G. J.; Shao-Horn, Y.; Morgan, D.; Makharia, R.; Kocha, S.; Gasteiger, H. A. J. Electrochem. Soc. 2005, 152(11), A2256. [7] Pavlišič, A.; Jovanovič, P.; Šelih, V. S.; Šala, M.; Hodnik, N.; Hočevar, S.; Gaberšček, M. Chem. Commun. (Camb). 2014, 50(28), 3732. [8] Takenaka, S.; Miyamoto, H.; Utsunomiya, Y.; Matsune, H.; Kishida, M. J. Phys. Chem. 2014, 118(2), 774. [9] Labrador, N. Y.; Li, X.; Liu, Y.; Tan, H.; Wang, R.; Koberstein, J. T.; Moffat, T. P.; Esposito, D. V. Nano Lett. 2016, 16 (10), 6452.

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 enseignants0,000
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 Opus0,008
Tête enseignante GPT0,214
Écart entre enseignants0,207 · 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

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueECS Meeting Abstracts→Même sujetElectrocatalysts for Energy Conversion→Travaux en français237 207→