Predicting NO<sub><i>x</i></sub> Catalysis by Quantifying Ce<sup>3+</sup> from Surface and Lattice Oxygen
Notice bibliographique
Résumé
Our work introduces a novel technique based on the magnetic response of Ce 3+ and molecular oxygen adsorbed on the surface of nanoceria and ceria-based catalysts that quantifies the number and type of defects and demonstrates that this information is the missing link that finally enables predictive design of NO x catalysis in ceria-based systems. The new insights into ceria catalysis are enabled by quantifying the above for different ceria nanoparticle shapes (i.e., surface terminations) and O 2 partial pressure. We used ceria nanorods, cubes, and spheres and evaluated them for catalytic reduction of NO by CO. We then demonstrated the quantitative prediction of the reactivity of nanomaterials via their magnetism in different atmospheric environments. We find that the observed enhancement of reactivity for ceria nanocubes and nanorods is not directly due to improved reactivity on those surface terminations but rather due to the increased ease of generating lattice defects in these materials. Finally, we demonstrate that the method is equally applicable to highly topical and industrially relevant ceria mixed oxides, using nanoscale alumina-supported ceria as a representative case–a most ill-defined catalyst. Because the total oxide surface is a mixture of active ceria and inactive support and ceria is not likely present as crystallographically well-defined phases, reactivity does not easily scale with surface area or a surface termination. The key parameter to design efficient NO reduction in ceria-based catalysts is knowing and controlling the surface localized excess Ce 3+ ion areal density.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 ».