MétaCan
Menu
Retour à la cohorte
Enregistrement W2784848174 · doi:10.1039/c7sc05312f

Enthalpy <i>vs.</i> friction: heat flow modelling of unexpected temperature profiles in mechanochemistry of metal–organic frameworks

2018· article· en· W2784848174 sur OpenAlexafffund
Krunoslav Užarević, Nenad Ferdelji, Tomislav Mrla, Patrick Julien, Boris Halasz, Tomislav Friščić, Iván Halász

Notice bibliographique

RevueChemical Science · 2018
Typearticle
Langueen
DomaineChemistry
ThématiqueMetal-Organic Frameworks: Synthesis and Applications
Établissements canadiensMcGill University
Organismes subventionnairesEuropean Synchrotron Radiation FacilityFond za Zaštitu Okoliša i Energetsku UčinkovitostHrvatska Zaklada za ZnanostMinistry of EnvironmentNatural Sciences and Engineering Research Council of CanadaZaklade Adris
Mots-clésMechanochemistryEnthalpyMetal-organic frameworkHeat flowFlow (mathematics)ThermodynamicsMaterials scienceMetalMetallurgyChemistryThermalPhysical chemistryMechanicsNanotechnologyPhysics

Résumé

récupéré en direct d'OpenAlex

reaction monitoring by synchrotron X-ray diffraction and numerical simulations of heat flow, we have shown that the temperature profiles of mechanochemical reactions are dominantly determined by the energy dissipated through friction between the sample and the moving milling assembly, while the reaction enthalpy will usually be comparatively insignificant. With the changes in composition during mechanochemical reactions, frictional properties of the milled material change, leading to either better or worse energy absorption upon collisions in the process of milling. This approach explains unexpected and rapid temperature drops during exothermic transformations of ZIF-8 polymorphs. Since reaction kinetics are highly sensitive to changes in temperature, precise temperature profiles provided here will be mandatory to understand kinetics and its changes during milling, and will aid in developing the comprehensive model of mechanochemical reactivity.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,017
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,014
Tête enseignante GPT0,232
Écart entre enseignants0,219 · 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

Citations93
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueChemical ScienceMême sujetMetal-Organic Frameworks: Synthesis and ApplicationsTravaux en français237 207