Template assisted preparation of high surface area macroporous supports with uniform and tunable nanocrystal loadings
Notice bibliographique
Résumé
The incorporation of catalytic nanocrystals into macroporous support materials has been very attractive due to their increased catalyst mass activity. This increase in catalytic efficiency is attributed in part to the increased surface area to volume ratio of the catalysts and the use of complementary support materials that can enhance their catalytic activity and stability. A uniform and tunable coating of nanocrystals on porous matrices can be difficult to achieve with some techniques such as electrodeposition. More sophisticated techniques for preparing uniform nanocrystal coatings include atomic layer deposition, but it can be difficult to reproduce these processes at commercial scales required for preparing catalyst materials. In this study, catalytic nanocrystals supported on three dimensional (3D) porous structures were prepared. The demonstrated technique utilized scalable approaches for achieving a uniform surface coverage of catalysts through the use of polymeric sacrificial templates. This template assisted technique was demonstrated with a good control over the surface coverage of catalysts, support material composition, and porosities of the support material. A series of regular porous supports were each prepared with a uniform coating of nanocrystals, such as NaYF4 nanocrystals supported by a porous 3D lattice of Ti1-xSixO2, Pt nanocrystals on a 3D porous support of TiO2, Pd nanocrystals on Ni nanobowls, and Pt nanocrystals on 3D assemblies of Au/TiO2 nanobowls. The template assisted preparation of high surface area macroporous supports could be further utilized for optimizing the use of catalytic materials in chemical, electrochemical, and photochemical reactions through increasing their catalytic efficiency and stability.
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 | 0,000 | 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) | 0,000 | 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 ».