MétaCan
Menu
Retour à la cohorte
Enregistrement W3042815916 · doi:10.1038/s41467-020-17403-1

Electrochemical CO2 reduction to high-concentration pure formic acid solutions in an all-solid-state reactor

2020· article· en· W3042815916 sur OpenAlexafffund
Lei Fan, Chuan Xia, Peng Zhu, Yingying Lü, Haotian Wang

Notice bibliographique

RevueNature Communications · 2020
Typearticle
Langueen
DomaineEnergy
ThématiqueCO2 Reduction Techniques and Catalysts
Établissements canadiensCanadian Institute for Advanced Research
Organismes subventionnairesZhejiang UniversityChina Scholarship CouncilRice UniversityCanadian Institute for Advanced ResearchWelch Foundation
Mots-clésFormic acidFormateFaraday efficiencyElectrolyteElectrochemistryInorganic chemistryAnodeMaterials scienceInert gasChemistryCatalysisElectrodeChromatographyOrganic chemistryPhysical chemistry

Résumé

récupéré en direct d'OpenAlex

Abstract Electrochemical CO 2 reduction reaction (CO 2 RR) to liquid fuels is currently challenged by low product concentrations, as well as their mixture with traditional liquid electrolytes, such as KHCO 3 solution. Here we report an all-solid-state electrochemical CO 2 RR system for continuous generation of high-purity and high-concentration formic acid vapors and solutions. The cathode and anode were separated by a porous solid electrolyte (PSE) layer, where electrochemically generated formate and proton were recombined to form molecular formic acid. The generated formic acid can be efficiently removed in the form of vapors via inert gas stream flowing through the PSE layer. Coupling with a high activity (formate partial current densities ~450 mA cm −2 ), selectivity (maximal Faradaic efficiency ~97%), and stability (100 hours) grain boundary-enriched bismuth catalyst, we demonstrated ultra-high concentrations of pure formic acid solutions (up to nearly 100 wt.%) condensed from generated vapors via flexible tuning of the carrier gas stream.

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)0,0000,000

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 Opus0,025
Tête enseignante GPT0,306
Écart entre enseignants0,281 · 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

Citations560
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNature CommunicationsMême sujetCO2 Reduction Techniques and CatalystsTravaux en français237 207