MétaCan
Menu
Retour à la cohorte
Enregistrement W2765262905 · doi:10.3390/catal7110324

Hydrogen Production via Water Dissociation Using Pt–TiO2 Photocatalysts: An Oxidation–Reduction Network

2017· article· en· W2765262905 sur OpenAlexafffund
Jesus Fabricio Guayaquil‐Sosa, Alan Calzada, Benito Serrano, Salvador Escobedo, Hugo de Lasa

Notice bibliographique

RevueCatalysts · 2017
Typearticle
Langueen
DomaineEnergy
ThématiqueAdvanced Photocatalysis Techniques
Établissements canadiensWestern University
Organismes subventionnairesCanadian Network for Research and Innovation in Machining Technology, Natural Sciences and Engineering Research Council of CanadaConsejo Nacional de Ciencia y TecnologíaSecretaría de Educación Pública
Mots-clésHydrogenAcetaldehydeDissociation (chemistry)ChemistryHydrogen productionInert gasPhotocatalysisHydrogen peroxideMethanolInorganic chemistryPhotochemistryScavengerEthanolCatalysisRadicalOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Several TiO2 based semiconductors with different Pt loadings are prepared using incipient impregnation, wet impregnation and the sol-gel method. These photocatalysts are evaluated in the Photo-CREC-Water II Photoreactor for hydrogen production via water dissociation, using an organic renewable scavenger (ethanol). Results obtained show the influence of the photocatalyst preparation in the production of hydrogen and in the observed quantum yields. Furthermore, it is established that the reaction networks leading to hydrogen production, using various photocatalysts, share common features. This analysis is developed by both identifying and quantifying different chemical species and their changes with irradiation time. Key species in this oxidation–reduction network are hydrogen, hydrogen peroxide, ethanol, methane, ethane, acetaldehyde and carbon dioxide. On this basis, it is shown that under an inert gas atmosphere, ethanol consumption is sub-stoichiometric. This points towards simultaneous ethanol consumption and the formation of the ethanol scavenger.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
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 enseignants0,007
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,000
Communication savante0,0000,003
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 Opus0,025
Tête enseignante GPT0,301
Écart entre enseignants0,275 · 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.

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

Citations31
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCatalystsMême sujetAdvanced Photocatalysis TechniquesTravaux en français237 207