MétaCan
Menu
Retour à la cohorte
Enregistrement W2986993459 · doi:10.1038/s41467-019-13061-0

Spectroelectrochemical study of water oxidation on nickel and iron oxyhydroxide electrocatalysts

2019· article· en· W2986993459 sur OpenAlexaff
Laia Francàs, Sacha Corby, Shababa Selim, Dongho Lee, Camilo A. Mesa, Robert Godin, Ernest Pastor, Ifan E. L. Stephens, Kyoung‐Shin Choi, James R. Durrant

Notice bibliographique

RevueNature Communications · 2019
Typearticle
Langueen
DomaineEnergy
ThématiqueElectrocatalysts for Energy Conversion
Établissements canadiensOkanagan University CollegeUniversity of British Columbia, Okanagan Campus
Organismes subventionnairesDivision of ChemistryEuropean CommissionEngineering and Physical Sciences Research CouncilDepartamento Administrativo de Ciencia, Tecnología e Innovación (COLCIENCIAS)Imperial College LondonNational Science Foundation
Mots-clésCatalysisNickelKineticsLimitingRedoxChemistryInorganic chemistryAnodeReaction rateChemical engineeringPhysical chemistryElectrodeOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Ni/Fe oxyhydroxides are the best performing Earth-abundant electrocatalysts for water oxidation. However, the origin of their remarkable performance is not well understood. Herein, we employ spectroelectrochemical techniques to analyse the kinetics of water oxidation on a series of Ni/Fe oxyhydroxide films: FeOOH, FeOOHNiOOH, and Ni(Fe)OOH (5% Fe). The concentrations and reaction rates of the oxidised states accumulated during catalysis are determined. Ni(Fe)OOH is found to exhibit the fastest reaction kinetics but accumulates fewer states, resulting in a similar performance to FeOOHNiOOH. The later catalytic onset in FeOOH is attributed to an anodic shift in the accumulation of oxidised states. Rate law analyses reveal that the rate limiting step for each catalyst involves the accumulation of four oxidised states, Ni-centred for Ni(Fe)OOH but Fe-centred for FeOOH and FeOOHNiOOH. We conclude by highlighting the importance of equilibria between these accumulated species and reactive intermediates in determining the activity of these materials.

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 enseignants0,022
Score d'incertitude au seuil0,781

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 ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 GPT0,244
Écart entre enseignants0,237 · 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

Citations201
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNature CommunicationsMême sujetElectrocatalysts for Energy ConversionTravaux en français237 207