MétaCan
Menu
Retour à la cohorte
Enregistrement W3093618817 · doi:10.1016/j.pnsc.2020.09.010

ZIF-derived Co–N–C ORR catalyst with high performance in proton exchange membrane fuel cells

2020· article· en· W3093618817 sur OpenAlexaff
Ruixiang Wang, Pengyang Zhang, Yucheng Wang, Yuesheng Wang, Karim Zaghib

Notice bibliographique

RevueProgress in Natural Science Materials International · 2020
Typearticle
Langueen
DomaineEnergy
ThématiqueElectrocatalysts for Energy Conversion
Établissements canadiensHydro-Québec
Organismes subventionnairesNational Natural Science Foundation of China-Guangdong Joint FundNational Key Research and Development Program of China
Mots-clésCatalysisProton exchange membrane fuel cellMaterials scienceZeolitic imidazolate frameworkCarbon blackChemical engineeringCarbon fibersConductivityMetalInorganic chemistryMetal-organic frameworkChemistryAdsorptionComposite materialPhysical chemistryOrganic chemistryMetallurgy

Résumé

récupéré en direct d'OpenAlex

Metal and nitrogen-doped carbon (M-N-C) materials have been considered as the most promising non-precious metal oxygen reduction (ORR) catalysts to replace expensive Pt catalysts. Due to high Fenton catalytic activity of Fe element and the resulting instability, Co-based N–C (Co–N–C) catalysts without Fenton catalytic activity should be a worthier ORR catalyst being explored. Although the high ORR activity of Co–N–C catalyst has been demonstrated in aqueous half-cell tests, their performance under PEMFC working condition is still far away from that of state-of-the-art Fe–N–C catalysts. In this study, a high-performance Co–N–C catalyst was synthesized by one-step pyrolyzing Co-doped ZIF-8 (zeolitic imidazolate framework-8) particles in-situ grown on the high-surface-area KJ600 carbon black with high electronic conductivity. The resulting Co–N–C catalyst exhibited high intrinsic ORR activity, fast mass transfer rate and high electronic conductivity, and thus yielded a remarkable peak power density of 0.92 W cm-2 in H2–O2 PEMFC, which is comparable to state-of-the-art Fe–N–C catalyst. This strategy is helpful to synthesize highly active M-N-C ORR catalysts with improved mass transfer and electric conductivity.

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)0,0010,000

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 Opus0,009
Tête enseignante GPT0,241
Écart entre enseignants0,232 · 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

Citations66
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProgress in Natural Science Materials InternationalMême sujetElectrocatalysts for Energy ConversionTravaux en français237 207