Photocatalytic hydrogen generation using mesoporous silicon nanoparticles: influence of magnesiothermic reduction conditions and nanoparticle aging on the catalytic activity
Notice bibliographique
Résumé
In recent years, mesoporous silicon (mp-Si) nanoparticles (NPs) have been recognized as promising materials for sustainable photocatalytic hydrogen (H2) generation, which is both an important chemical feedstock and potential clean energy vector. These materials are commonly prepared via magnesiothermic reduction of silica precursors due to the ease, scalability, and tunability of this reaction. In this work, we investigate how the conditions of magnesiothermic reduction (i.e. reaction temperature and time) influence the performance of mp-Si for photocatalytic H2 generation. The mp-Si NPs were prepared using either the conventional single temperature heating method (650 °C for 3 or 6 h) or a two-temperature method in which the reaction is initially heated to 650 °C for 0.5 h, followed by a second step heating at 100 (mp-Si100), 200 (mp-Si200), or 300 °C (mp-Si300) for 6 h. Of these, mp-Si300 was the best performing photocatalyst and showed the highest H2 evolution rate (4437 μmol h-1 g-1 Si). Our results suggest that crystallinity has a profound effect on the performance of mp-Si photocatalysts. Additionally, high amounts of oxygen and particle sintering lower H2 evolution rates by introducing defect states or grain boundaries. It was also discovered that aging mp-Si NPs under ambient conditions result in continued surface oxidation which deleteriously affects its photocatalytic performance.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».