MétaCan
Menu
Retour à la cohorte
Enregistrement W3025930766 · doi:10.1149/ma2020-01371526mtgabs

Synthesis and Characterization of Composite MoSe<sub>2</sub>-MoO<sub>2</sub> By Hydrothermal and Their Electrocatalytic Performance for Hydrogen Evolution Reaction

2020· article· en· W3025930766 sur OpenAlexaff
Thai Xuan Tran, Mohamed Siaj

Notice bibliographique

RevueECS Meeting Abstracts · 2020
Typearticle
Langueen
DomaineEnergy
ThématiqueElectrocatalysts for Energy Conversion
Établissements canadiensUniversité du Québec à Montréal
Organismes subventionnairesnon disponible
Mots-clésCatalysisMaterials scienceX-ray photoelectron spectroscopyHydrothermal circulationRaman spectroscopyHydrogen productionChemical engineeringComposite numberHydrothermal synthesisWater splittingHydrogenPorosityNanotechnologyChemistryComposite materialPhotocatalysisOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

For more energy-efficient and economical hydrogen production, highly active noble metal-free hydrogen evolution catalysts are a priority for all. Herein we report a facile hydrothermal synthesis of composite MoSe2-MoO2. The surface morphology and chemical composition of the synthesized materials were investigated by SEM, TEM, Raman spectroscopy, XPS and XRD. After characterizations, the materials were directly used as an electrode to evaluate their HER performance. A comparison between pure MoSe2, pure MoO2 and MoSe2-MoO2 nanosphere shows that the porous MoSe2-MoO2 nanosphere exhibits higher catalytic activity for electrocatalytic hydrogen evolution reaction (HER)(figure 1). Based on our data, it can be concluded that the porous structure material could improve the surface active area which yields higher HER catalytic activity. The present study provides a simple and effective way for the exploration of efficient Mo-based HER catalysts. Figure 1

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 seuil0,002

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 Opus0,006
Tête enseignante GPT0,180
Écart entre enseignants0,174 · 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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueECS Meeting AbstractsMême sujetElectrocatalysts for Energy ConversionTravaux en français237 207