MétaCan
Menu
Retour à la cohorte
Enregistrement W3089893102 · doi:10.1002/asia.202001031

Defect Engineering of Carbon‐based Electrocatalysts for Rechargeable Zinc‐air Batteries

2020· review· en· W3089893102 sur OpenAlexafffund
Fang Dong, Mingjie Wu, Gaixia Zhang, Xianhu Liu, Diane Rawach, Ana C. Tavares, Shuhui Sun

Notice bibliographique

RevueChemistry - An Asian Journal · 2020
Typereview
Langueen
DomaineEnergy
ThématiqueElectrocatalysts for Energy Conversion
Établissements canadiensInstitut National de la Recherche Scientifique
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaInstitut national de la recherche scientifique
Mots-clésElectrocatalystCarbon fibersOxygen evolutionBifunctionalMaterials scienceHeteroatomNanotechnologyElectrochemistryCatalysisElectrochemical energy conversionOxygen reductionZincChemistryElectrodeMetallurgyComposite numberOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Rechargeable zinc-air batteries (ZABs) are considered as one of the most promising electrochemical energy devices due to their various unique advantages. Oxygen electrocatalysis, involving the oxygen reduction reaction (ORR) and oxygen evolution reaction (OER), determines the overall performance of zinc-air batteries. Therefore, the development of highly efficient bifunctional ORR/OER catalysts is critical for the large-scale application of ZABs. Carbon-based nanomaterials have been widely reported to be efficient electrocatalysts toward both ORR and OER. The enhanced activity of these electrocatalysts are usually attributed to different doping defects, synergistic effects and even the intrinsic carbon defects. Herein, an overview of the defect engineering in carbon-based electrocatalysts for ORR and OER is provided. The different types of intrinsic carbon defects and strategies for the generation of other defects in carbon-based electrocatalysts are presented. The interaction of heteroatoms doped carbon and transition metals (TMs) is also explored. In the end, the existing challenges and future perspectives on defect engineering 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 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)0,000
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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,882
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
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 Opus0,018
Tête enseignante GPT0,255
Écart entre enseignants0,237 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations55
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueChemistry - An Asian JournalMême sujetElectrocatalysts for Energy ConversionTravaux en français237 207