MétaCan
Menu
Retour à la cohorte
Enregistrement W3022894010 · doi:10.3390/catal10050481

In Situ Spectroscopic Methods for Electrocatalytic CO2 Reduction

2020· article· en· W3022894010 sur OpenAlexaff
Lei Jin, Ali Seifitokaldani

Notice bibliographique

RevueCatalysts · 2020
Typearticle
Langueen
DomaineEnergy
ThématiqueCO2 Reduction Techniques and Catalysts
Établissements canadiensMcGill University
Organismes subventionnairesChina Scholarship Council
Mots-clésElectrocatalystNanotechnologyMaterials scienceElectrochemistryRaman spectroscopyProcess engineeringComputer scienceBiochemical engineeringEnvironmental scienceChemistryElectrodePhysicsEngineering

Résumé

récupéré en direct d'OpenAlex

Electrochemical reduction of CO2 to value-added chemicals and fuels is a promising approach to store renewable energy while closing the anthropogenic carbon cycle. Despite significant advances in developing new electrocatalysts, this system still lacks enough energy conversion efficiency to become a viable technology for industrial applications. To develop an active and selective electrocatalyst and engineer the reaction environment to achieve high energy conversion efficiency, we need to improve our knowledge of the reaction mechanism and material structure under reaction conditions. In situ spectroscopies are among the most powerful tools which enable measurements of the system under real conditions. These methods provide information about reaction intermediates and possible reaction pathways, electrocatalyst structure and active sites, as well as the effect of the reaction environment on products distribution. This review aims to highlight the utilization of in situ spectroscopic methods that enhance our understanding of the CO2 reduction reaction. Infrared, Raman, X-ray absorption, X-ray photoelectron, and mass spectroscopies are discussed here. The critical challenges associated with current state-of-the-art systems are identified and insights on emerging prospects are discussed.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
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: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,024
Tête enseignante GPT0,334
Écart entre enseignants0,309 · 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

Citations62
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCatalystsMême sujetCO2 Reduction Techniques and CatalystsTravaux en français237 207