Defect Engineering of Chalcogen‐Tailored Oxygen Electrocatalysts for Rechargeable Quasi‐Solid‐State Zinc–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
A critical bottleneck limiting the performance of rechargeable zinc–air batteries lies in the inefficient bifunctional electrocatalysts for the oxygen reduction and evolution reactions at the air electrodes. Hybridizing transition‐metal oxides with functional graphene materials has shown great advantages due to their catalytic synergism. However, both the mediocre catalytic activity of metal oxides and the restricted 2D mass/charge transfer of graphene render these hybrid catalysts inefficient. Here, an effective strategy combining anion substitution, defect engineering, and the dopant effect to address the above two critical issues is shown. This strategy is demonstrated on a hybrid catalyst consisting of sulfur‐deficient cobalt oxysulfide single crystals and nitrogen‐doped graphene nanomeshes (CoO 0.87 S 0.13 /GN). The defect chemistries of both oxygen‐vacancy‐rich, nonstoichiometric cobalt oxysulfides and edge‐nitrogen‐rich graphene nanomeshes lead to a remarkable improvement in electrocatalytic performance, where CoO 0.87 S 0.13 /GN exhibits strongly comparable catalytic activity to and much better stability than the best‐known benchmark noble‐metal catalysts. In application to quasi‐solid‐state zinc–air batteries, CoO 0.87 S 0.13 /GN as a freestanding catalyst assembly benefits from both structural integrity and enhanced charge transfer to achieve efficient and very stable cycling operation over 300 cycles with a low discharge–charge voltage gap of 0.77 V at 20 mA cm −2 under ambient conditions.
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 | 0,001 |
| 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 | 0,001 |
| 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