MétaCan
Menu
Retour à la cohorte
Enregistrement W2975900454 · doi:10.1039/c9ra05736f

Mussel-inspired immobilization of Au on bare and graphene-wrapped Ni nanoparticles toward highly efficient and easily recyclable catalysts

2019· article· en· W2975900454 sur OpenAlexfundno aff
Fatima Mahnaz, Mohammad Mostafa-Al-Momin, Md. Saiful Islam Rubel, Md Nahid Ferdous, Md. Shafiul Azam

Notice bibliographique

RevueRSC Advances · 2019
Typearticle
Langueen
DomaineChemistry
ThématiqueNanomaterials for catalytic reactions
Établissements canadiensnon disponible
Organismes subventionnairesBangladesh University of Engineering and TechnologyUniversity of Alberta
Mots-clésBimetallic stripCatalysisNanomaterial-based catalystNanocompositeNanoparticleMaterials scienceGrapheneChemical engineeringNickelThermal stabilityNanotechnologyChemistryMetallurgyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

, respectively, outperforming the catalytic efficiency of its monometallic counterparts and other similar reported catalysts by large margins. The superior catalytic efficiency of the Ni-PD-Au was attributed to the well-known synergistic effect, which was experimentally investigated and compared with prior reports. Similar bio-inspired immobilization of AuNPs was also applied on graphene-wrapped NiNPs (Ni-G) instead of bare NiNPs to synthesize another composite catalyst (Ni-G-PD-Au), which yet again exhibited synergistic catalytic activity. A comparative study between the two nanocomposites suggested that Ni-PD-Au excelled in catalytic activity but Ni-G-PD-Au provided noteworthy stability showing ∼100% efficiency over 17 repeated cycles. However, along with excellent synergistic performance, both nanocomposites demonstrated high magnetization and thermal stability up to 350 °C ascertaining their easy separation and sustainability for high-temperature applications, respectively.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,010
Tête enseignante GPT0,233
Écart entre enseignants0,224 · 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'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

Citations10
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRSC AdvancesMême sujetNanomaterials for catalytic reactionsTravaux en français237 207