MétaCan
Menu
Retour à la cohorte
Enregistrement W2883757223 · doi:10.1007/s41918-018-0014-z

Recent Progresses in Electrocatalysts for Water Electrolysis

2018· article· en· W2883757223 sur OpenAlexaff
Muhammad Arif Khan, Hongbin Zhao, Wenwen Zou, Zhe Chen, Wenjuan Cao, Jianhui Fang, Jiaqiang Xu, Lei Zhang, Jiujun Zhang

Notice bibliographique

RevueElectrochemical Energy Reviews · 2018
Typearticle
Langueen
DomaineEnergy
ThématiqueElectrocatalysts for Energy Conversion
Établissements canadiensNational Research Council Canada
Organismes subventionnairesNational Key Research and Development Program of China
Mots-clésNoble metalElectrolysis of waterElectrolysisNanotechnologyElectrocatalystMaterials scienceWater splittingCatalysisOxygen evolutionChemistryMetalMetallurgyElectrochemistryElectrode

Résumé

récupéré en direct d'OpenAlex

Abstract The study of hydrogen evolution reaction and oxygen evolution reaction electrocatalysts for water electrolysis is a developing field in which noble metal-based materials are commonly used. However, the associated high cost and low abundance of noble metals limit their practical application. Non-noble metal catalysts, aside from being inexpensive, highly abundant and environmental friendly, can possess high electrical conductivity, good structural tunability and comparable electrocatalytic performances to state-of-the-art noble metals, particularly in alkaline media, making them desirable candidates to reduce or replace noble metals as promising electrocatalysts for water electrolysis. This article will review and provide an overview of the fundamental knowledge related to water electrolysis with a focus on the development and progress of non-noble metal-based electrocatalysts in alkaline, polymer exchange membrane and solid oxide electrolysis. A critical analysis of the various catalysts currently available is also provided with discussions on current challenges and future perspectives. In addition, to facilitate future research and development, several possible research directions to overcome these challenges are provided in this article. Graphical Abstract

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
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 enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

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

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 GPT0,261
Écart entre enseignants0,247 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations503
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueElectrochemical Energy ReviewsMême sujetElectrocatalysts for Energy ConversionTravaux en français237 207