MétaCan
Menu
Retour à la cohorte
Enregistrement W2788289359 · doi:10.1007/s41918-018-0002-3

A Review of Carbon-Composited Materials as Air-Electrode Bifunctional Electrocatalysts for Metal–Air Batteries

2018· review· en· W2788289359 sur OpenAlexaff
Yan-Jie Wang, Baizeng Fang, Dan Zhang, Aijun Li, David P. Wilkinson, Anna Ignaszak, Lei Zhang, Jiujun Zhang

Notice bibliographique

RevueElectrochemical Energy Reviews · 2018
Typereview
Langueen
DomaineEnergy
ThématiqueElectrocatalysts for Energy Conversion
Établissements canadiensNational Research Council CanadaUniversity of New BrunswickUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésBifunctionalCarbon fibersOxygen evolutionCommercializationMaterials scienceNanotechnologyCatalysisOxygen reduction reactionElectrodeChemistryElectrochemistryBusinessComposite material

Résumé

récupéré en direct d'OpenAlex

Abstract Metal–air batteries (MABs), particularly rechargeable MABs, have gained renewed interests as a potential energy storage/conversion solution due to their high specific energy, low cost, and safety. The development of MABs has, however, been considerably hampered by its relatively low rate capability and its lack of efficient and stable air catalysts in which the former stems mainly from the sluggish kinetics of the oxygen reduction reaction (ORR) and oxygen evolution reaction (OER) and the latter stems from the corrosion/oxidation of carbon materials in the presence of oxygen and high electrode potentials. In this review, various carbon-composited bifunctional electrocatalysts are reviewed to summarize progresses in the enhancement of ORR/OER and durability induced by the synergistic effects between carbon and other component(s). Catalyst mechanisms of the reaction processes and associated performance enhancements as well as technical challenges hindering commercialization are also analyzed. To facilitate further research and development, several research directions for overcoming these challenges are also proposed.

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)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche
Catégories consensuellesMéta-épidémiologie (sens strict)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,606
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0100,004
Bibliométrie0,0010,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0020,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,020
Tête enseignante GPT0,286
Écart entre enseignants0,266 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations216
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueElectrochemical Energy ReviewsMême sujetElectrocatalysts for Energy ConversionTravaux en français237 207