MétaCan
Menu
Retour à la cohorte
Enregistrement W3177482548 · doi:10.1002/eng2.12437

Novel engineering of ruthenium‐based electrocatalysts for acidic water oxidation: A mini review

2021· review· en· W3177482548 sur OpenAlexafffund
Feng Zhou, Lijie Zhang, Juan Li, Qi Wang, Yurou Chen, Hailun Chen, Guolong Lu, Guang Chen, Huile Jin, Shun Wang, Jichang Wang

Notice bibliographique

RevueEngineering Reports · 2021
Typereview
Langueen
DomaineEnergy
ThématiqueElectrocatalysts for Energy Conversion
Établissements canadiensUniversity of Windsor
Organismes subventionnairesNatural Science Foundation of Zhejiang ProvinceNatural Sciences and Engineering Research Council of CanadaNational Natural Science Foundation of China
Mots-clésRutheniumOxygen evolutionIridiumCatalysisMaterials scienceWater splittingChemistryNanotechnologyChemical engineeringElectrochemistryOrganic chemistryElectrodeEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract The oxygen evolution reaction (OER) is pivotally involved in proton exchange membrane water electrolyzers (PEMWEs). However, the commercialized iridium‐based catalysts often suffer from severe sluggish kinetics, eventually deteriorating the polarization and overall PEMWEs performance. Therefore, to develop OER electrocatalysts with promising reaction kinetics and high stability is of great significance for PEMWEs. Compared to iridium, the ruthenium‐based catalysts possess lower price and higher activity in acidic water oxidation, which promises Ru‐based materials to replace the state‐of‐the‐art IrOx. Yet, the less stable ruthenium than iridium impedes its real applications. In this mini review, recent knowledge of feasible engineering strategies for migrating the Ru‐based electrocatalysts' stability is summarized. In order to improve performance and durability, basic fundamentals of acidic OER on nanoscale and molecular engineered Ru‐based electrocatalysts are briefly introduced. In the end, the challenges and outlook for engineering novel Ru‐based electrocatalysts are presented.

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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,017
Tête enseignante GPT0,254
Écart entre enseignants0,238 · 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

Citations31
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEngineering ReportsMême sujetElectrocatalysts for Energy ConversionTravaux en français237 207