MétaCan
Menu
Retour à la cohorte
Enregistrement W3093197935 · doi:10.1002/advs.202002213

Faradaic Electrodes Open a New Era for Capacitive Deionization

2020· review· en· W3093197935 sur OpenAlexafffund
Qian Li, Yun Zheng, Dengji Xiao, Tyler Or, Rui Gao, Zhaoqiang Li, Ming Feng, Lingling Shui, Guofu Zhou, Xin Wang, Zhongwei Chen

Notice bibliographique

RevueAdvanced Science · 2020
Typereview
Langueen
DomaineEngineering
ThématiqueMembrane-based Ion Separation Techniques
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésCapacitive deionizationElectrodeMaterials scienceCapacitive sensingNanotechnologyElectrochemistryElectrical engineeringChemistryEngineering

Résumé

récupéré en direct d'OpenAlex

Capacitive deionization (CDI) is an emerging desalination technology for effective removal of ionic species from aqueous solutions. Compared to conventional CDI, which is based on carbon electrodes and struggles with high salinity streams due to a limited salt removal capacity by ion electrosorption and excessive co-ion expulsion, the emerging Faradaic electrodes provide unique opportunities to upgrade the CDI performance, i.e., achieving much higher salt removal capacities and energy-efficient desalination for high salinity streams, due to the Faradaic reaction for ion capture. This article presents a comprehensive overview on the current developments of Faradaic electrode materials for CDI. Here, the fundamentals of Faradaic electrode-based CDI are first introduced in detail, including novel CDI cell architectures, key CDI performance metrics, ion capture mechanisms, and the design principles of Faradaic electrode materials. Three main categories of Faradaic electrode materials are summarized and discussed regarding their crystal structure, physicochemical characteristics, and desalination performance. In particular, the ion capture mechanisms in Faradaic electrode materials are highlighted to obtain a better understanding of the CDI process. Moreover, novel tailored applications, including selective ion removal and contaminant removal, are specifically introduced. Finally, the remaining challenges and research directions are also outlined to provide guidelines for future research.

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)0,001
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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,001
Communication savante0,0010,003
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,003

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 Opus0,058
Tête enseignante GPT0,381
Écart entre enseignants0,324 · 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'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

Citations271
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAdvanced ScienceMême sujetMembrane-based Ion Separation TechniquesTravaux en français237 207