Impregnating Subnanometer Metallic Nanocatalysts into Self-Pillared Zeolite Nanosheets
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Impregnation is the most commonly used approach to prepare supported metal catalysts in industry. However, this method suffers from the formation of large metal particles with uneven dispersion, poor thermal stability, and thus unsatisfied catalytic performance. Here, we demonstrate that the self-pillared MFI zeolite (silicalite-1 and ZSM-5) nanosheets with larger surface area and abundant Si–OH groups are ideal supports to immobilize ultrasmall monometallic (e.g., Rh and Ru) and various bimetallic clusters via simple incipient wetness impregnation method. The loaded subnanometric metal clusters are uniformly dispersed within sinusoidal five-membered rings of MFI and remain stable at high temperatures. The Rh/SP-S-1 is highly efficient in ammonia borane (AB) hydrolysis, showing a TOF value of 430 molH2 molRh–1 min–1 at 298 K, which is more than 6-fold improvement over that of nanosized zeolite-supported Rh catalyst and even comparable with that of zeolite-supported Rh single-atom catalyst. Because of the synergistic effect between bimetallic Rh–Ru clusters and zeolite acidity, the H2 generation rate from AB hydrolysis over Rh0.8Ru0.2/SP-ZSM-5-100 reaches up to 1006 molH2 molmetal–1 min–1 at 298 K, and also shows record activities in cascade hydrogenation of various nitroarenes by coupling with the hydrolysis of AB. This work demonstrates that zeolite nanosheets are excellent supports to anchor diverse ultrasmall metallic species via the simple impregnation method, and the obtained nanocatalysts can be applied in various industrially important catalytic reactions.
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.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle