Fe Stabilization by Intermetallic L1<sub>0</sub>-FePt and Pt Catalysis Enhancement in L1<sub>0</sub>-FePt/Pt Nanoparticles for Efficient Oxygen Reduction Reaction in Fuel Cells
Notice bibliographique
Résumé
We report in this article a detailed study on how to stabilize a first-row transition metal (M) in an intermetallic L1 0 -MPt alloy nanoparticle (NP) structure and how to surround the L1 0 -MPt with an atomic layer of Pt to enhance the electrocatalysis of Pt for oxygen reduction reaction (ORR) in fuel cell operation conditions. Using 8 nm FePt NPs as an example, we demonstrate that Fe can be stabilized more efficiently in a core/shell structured L1 0 -FePt/Pt with a 5 Å Pt shell. The presence of Fe in the alloy core induces the desired compression of the thin Pt shell, especially the two atomic layers of Pt shell, further improving the ORR catalysis. This leads to much enhanced Pt catalysis for ORR in 0.1 M HClO 4 solution (at both room temperature and 60 °C) and in the membrane electrode assembly (MEA) at 80 °C. The L1 0 -FePt/Pt catalyst has a mass activity of 0.7 A/mg Pt from the half-cell ORR test and shows no obvious mass activity loss after 30 000 potential cycles between 0.6 and 0.95 V at 80 °C in the MEA, meeting the DOE 2020 target (<40% loss in mass activity). We are extending the concept and preparing other L1 0 -MPt/Pt NPs, such as L1 0 -CoPt/Pt NPs, with reduced NP size as a highly efficient ORR catalyst for automotive fuel cell applications.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».