MétaCan
Menu
Retour à la cohorte
Enregistrement W3037439791 · doi:10.1038/s41467-020-16830-4

Inverse iron oxide/metal catalysts from galvanic replacement

2020· article· en· W3037439791 sur OpenAlexfundno aff
Yifeng Zhu, Xin Zhang, Katherine Koh, Libor Kovařík, John L. Fulton, Kevin M. Rosso, Oliver Y. Gutiérrez

Notice bibliographique

RevueNature Communications · 2020
Typearticle
Langueen
DomaineMaterials Science
ThématiqueCatalytic Processes in Materials Science
Établissements canadiensnon disponible
Organismes subventionnairesPacific Northwest National LaboratoryArgonne National LaboratoryBasic Energy SciencesBiological and Environmental ResearchOffice of ScienceCanadian Light SourceU.S. Department of Energy
Mots-clésOxideMaterials scienceMetalGalvanic cellCatalysisIron oxideNanoparticleMagnetiteNanostructureNanotechnologyChemical engineeringNoble metalInorganic chemistryRedoxPlatinumChemistryMetallurgy

Résumé

récupéré en direct d'OpenAlex

Abstract Key chemical transformations require metal and redox sites in proximity at interfaces; however, in traditional oxide-supported materials, this requirement is met only at the perimeters of metal nanoparticles. We report that galvanic replacement can produce inverse FeOx/metal nanostructures in which the concentration of oxide species adjoining metal domains is maximal. The synthesis involves reductive deposition of rhodium or platinum and oxidation of Fe2+ from magnetite (Fe3O4). We discovered a parallel dissolution and adsorption of Fe2+ onto the metal, yielding inverse FeOx-coated metal nanoparticles. This nanostructure exhibits the intrinsic activity in selective CO2 reduction that simple metal nanoparticles have only at interfaces with the support. By enabling a simple way to control the surface functionality of metal particles, our approach is not only scalable but also enables a versatile palette for catalyst design.

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 savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,027
Tête enseignante GPT0,293
Écart entre enseignants0,265 · 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

Citations57
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNature CommunicationsMême sujetCatalytic Processes in Materials ScienceTravaux en français237 207