Enhanced Hydrogen Generation by LiBH4 Hydrolysis in MOH/water Solutions (MOH: C2H5OH, C4H8O, C4H9OH, CH3COOH) for Micro Proton Exchange Membrane Fuel Cell Application
Notice bibliographique
Résumé
LiBH4 has high hydrogen storage capacity, and its high gravimetric hydrogen density reaches 18.36%. However, LiBH4 exhibits poor hydrolysis performance in water because the abrupt ending caused by the agglomeration of its hydrolysis products limits its full utilization [1, 2]. In this paper, four kinds of organics, namely, ethanol, tetrahydrofuran, acetic acid, and butanol (referred to MOH) were added to water, and the effect of MOH species and amount on the hydrolysis performances of LiBH4 was evaluated. Results show that agglomeration can be avoided and that LiBH4 has a controllable hydrogen generation rate and high hydrogen generation amount inMOH/water solutions compared with that in pure water. The order in terms of the hydrolysis performance of LiBH4 in MOH/water solutions is as follows: acetic acid >butanol> tetrahydrofuran >ethanol. From XRD, SEM, and other analyses, the enhancement performance is explained by the diluting and solvent effects. Moreover, the addition of MOH alters the hydrolysis route of LiBH4. MOH acts as not only a carrier for water and LiBH4 but also as a reactant to form intermediate LiBH4·[MOH(H2O)x]y, which slows the hydrolysis kinetics of LiBH4. Hydrolysis conditions were optimized, and high hydrogen amount was achieved correspondingly. The experimental data presents the potential application of LiBH4 as a highly efficiency and stable hydrogen source for fuel cells.
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 | 0,003 | 0,000 |
| 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 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 ».