MétaCan
Menu
Retour à la cohorte
Enregistrement W2997870532 · doi:10.1073/pnas.1911159117

Highly efficient binary copper−iron catalyst for photoelectrochemical carbon dioxide reduction toward methane

2020· article· en· W2997870532 sur OpenAlexafffund
Baowen Zhou, Pengfei Ou, Nick Pant, Shaobo Cheng, Srinivas Vanka, Sheng Chu, Roksana Tonny Rashid, Gianluigi A. Botton, Jun Song, Zetian Mi

Notice bibliographique

RevueProceedings of the National Academy of Sciences · 2020
Typearticle
Langueen
DomaineEnergy
ThématiqueCO2 Reduction Techniques and Catalysts
Établissements canadiensMcMaster UniversityMcGill University
Organismes subventionnairesCanadian Network for Research and Innovation in Machining Technology, Natural Sciences and Engineering Research Council of Canada
Mots-clésMethaneCatalysisFaraday efficiencySyngasCarbon dioxideElectrocatalystCopperElectrochemical reduction of carbon dioxideCarbon fixationDensity functional theoryChemistryCarbon fibersChemical engineeringAnaerobic oxidation of methaneMaterials scienceInorganic chemistryPhysical chemistryElectrochemistryElectrodeComputational chemistryCarbon monoxideOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Significance The production of solar fuels from CO 2 using sunlight and electricity provides one promising route for reducing atmospheric carbon emissions and storing intermittent solar energy. The rational design of an efficient and inexpensive electrocatalyst is the key. We developed a binary copper−iron catalyst for photoelectrochemical CO 2 reduction toward methane. The theoretical calculations suggest that Cu and Fe in the binary system can work in synergy to spontaneously favor CO 2 activation and conversion for methane synthesis. The earth-abundant CuFe catalyst exhibits a high current density with an impressive methane Faradaic efficiency using industry-ready planar silicon photoelectrodes under one-sun illumination. This work presents a unique, highly efficient, and inexpensive route for solar fuels synthesis.

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)0,001
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 enseignants0,012
Score d'incertitude au seuil0,352

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,034
Tête enseignante GPT0,288
Écart entre enseignants0,254 · 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

Citations146
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueProceedings of the National Academy of SciencesMême sujetCO2 Reduction Techniques and CatalystsTravaux en français237 207