MétaCan
Menu
Retour à la cohorte
Enregistrement W2984236507 · doi:10.1021/acscatal.9b02853

Identification of Catalytic Active Sites in Nitrogen-Doped Carbon for Electrocatalytic Dechlorination of 1,2-Dichloroethane

2019· article· en· W2984236507 sur OpenAlexaff
Guoqiang Gan, Xinyong Li, Liang Wang, Shiying Fan, Ji Li, Feng Liang, Aicheng Chen

Notice bibliographique

RevueACS Catalysis · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueEnvironmental remediation with nanomaterials
Établissements canadiensUniversity of Guelph
Organismes subventionnairesState Administration of Foreign Experts AffairsMinistry of Science and Technology of the People's Republic of ChinaMinistry of Education of the People's Republic of ChinaNational Natural Science Foundation of China
Mots-clésCatalysis1,2-DichloroethaneEthyleneCarbon fibersChemistryNoble metalActive siteInorganic chemistryMaterials scienceOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Nitrogen (N)-doped carbon materials are considered as the most promising alternative to replace noble-metal catalysts for electrocatalytic dechlorination of 1,2-dichloroethane (DCE), which is a promising reaction for industrial production and environmental protection. Unfortunately, the vague cognition of the catalytic active sites limits its further development. Herein, a series of surface N-doped porous carbon materials with adjustable N dopants were synthesized to identify the active sites for electrocatalytic dechlorination of DCE. The as-prepared catalyst showed fascinating DCE electrocatalytic dechlorination activity and ethylene selectivity at −2.75 V (vs SCE) with a current density of 17.94 mA cm–2geometry and ethylene Faradaic efficiency of 21%. The post hydrogen treatment and X-ray photoelectron spectroscopic analysis experimentally proved that the oxidized N acts as the active site for the dechlorination of DCE to CH2CH2, which was further theoretically confirmed by first-principles calculations. This work would open avenues for the development of N-doped carbon and the production of ethylene in an efficient and environmentally benign manner.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,007
Score d'incertitude au seuil0,619

Scores Codex et Gemma par catégorie

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)0,0000,000

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 Opus0,007
Tête enseignante GPT0,215
Écart entre enseignants0,208 · 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 tête enseignante, 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

Citations70
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueACS CatalysisMême sujetEnvironmental remediation with nanomaterialsTravaux en français237 207