MétaCan
Menu
Retour à la cohorte
Enregistrement W3033350834 · doi:10.1021/jacs.0c04758

Electrochemically Triggered Dynamics within a Hybrid Metal–Organic Electrocatalyst

2020· article· en· W3033350834 sur OpenAlexafffund
Nina Heidary, Mathieu Morency, Daniel Chartrand, Khoa H. Ly, Radu Iftimie, Nikolay Kornienko

Notice bibliographique

RevueJournal of the American Chemical Society · 2020
Typearticle
Langueen
DomaineEnergy
ThématiqueElectrocatalysts for Energy Conversion
Établissements canadiensUniversité de Montréal
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaTechnische Universität Dresden
Mots-clésChemistryElectrocatalystMetalElectrochemistryChemical engineeringNanotechnologyElectrodeOrganic chemistryPhysical chemistry

Résumé

récupéré en direct d'OpenAlex

A wide array of systems, ranging from enzymes to synthetic catalysts, exert adaptive motifs to maximize their functionality. In a related manner, select metal–organic frameworks (MOFs) and similar systems exhibit structural modulations under stimuli such as the infiltration of guest species. Probing their responsive behavior in situ is a challenging but important step toward understanding their function and subsequently building functional systems. In this report, we investigate the dynamic behavior of an electrocatalytic Mn–porphyrin-containing MOF system (Mn-MOF). We discover, using a combination of electrochemistry and in situ probes of UV–vis absorption, resonance Raman, and infrared spectroscopy, a restructuration of this system via a reversible cleavage of the porphyrin carboxylate ligands under an applied voltage. We further show, by combining experimental data and DFT calculations, as a proof of concept, the capacity to utilize the Mn-MOF for electrochemical CO2 fixation and to spectroscopically capture the reaction intermediates in its catalytic cycle. The findings of this work and the methodology developed open opportunities in the application of MOFs as dynamic, enzyme-inspired electrocatalytic systems.

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)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,004
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0020,000
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 Opus0,006
Tête enseignante GPT0,205
Écart entre enseignants0,199 · 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.

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

Citations59
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of the American Chemical SocietyMême sujetElectrocatalysts for Energy ConversionTravaux en français237 207