MétaCan
Menu
Retour à la cohorte
Enregistrement W2763833008 · doi:10.1021/jacs.7b09251

Ultrahigh Mass Activity for Carbon Dioxide Reduction Enabled by Gold–Iron Core–Shell Nanoparticles

2017· article· en· W2763833008 sur OpenAlexafffund
Kun Sun, Tao Cheng, Lina Wu, Yongfeng Hu, Jigang Zhou, Aimee Maclennan, Zhaohua Jiang, Yunzhi Gao, William A. Goddard, Zhijiang Wang

Notice bibliographique

RevueJournal of the American Chemical Society · 2017
Typearticle
Langueen
DomaineEnergy
ThématiqueCO2 Reduction Techniques and Catalysts
Établissements canadiensCanadian Light Source (Canada)
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanadian Institutes of Health ResearchUniversity of SaskatchewanNatural Science Foundation of Heilongjiang ProvinceNational Research Council CanadaNational Natural Science Foundation of ChinaOffice of Science
Mots-clésOverpotentialChemistryNanoparticleAlloyCatalysisLeaching (pedology)Chemical engineeringElectrochemistryElectrochemical reduction of carbon dioxideCarbon dioxideSelectivityNanotechnologyPhysical chemistryElectrodeMaterials scienceOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

High Resolution Image Download MS PowerPoint Slide Wide application of carbon dioxide (CO 2 ) electrochemical energy storage requires catalysts with high mass activity. Alloy catalysts can achieve superior performance to single metals while reducing the cost by finely tuning the composition and morphology. We used in silico quantum mechanics rapid screening to identify Au–Fe as a candidate improving CO 2 reduction and then synthesized and tested it experimentally. The synthesized Au–Fe alloy catalyst evolves quickly into a stable Au–Fe core–shell nanoparticle (AuFe-CSNP) after leaching out surface Fe. This AuFe-CSNP exhibits exclusive CO selectivity, long-term stability, nearly a 100-fold increase in mass activity toward CO 2 reduction compared with Au NP, and 0.2 V lower in overpotential. Calculations show that surface defects due to Fe leaching contribute significantly to decrease the overpotential.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,011
Score d'incertitude au seuil0,441

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,013
Tête enseignante GPT0,262
Écart entre enseignants0,249 · 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 tête enseignante, 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

Citations218
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of the American Chemical SocietyMême sujetCO2 Reduction Techniques and CatalystsTravaux en français237 207