The Effect of Fe Dopant Location in Co(Fe)OOH<sub>x</sub> Nanoparticles for the Oxygen Evolution Reaction
Notice bibliographique
Résumé
The addition of iron (Fe) can in certain cases have a strong positive effect on the activity of cobalt and nickel oxide nanoparticles in the electrocatalytic oxygen evolution reaction (OER). The reported optimal Fe dopant concentrations are, however, inconsistent, and the origin of the increased activity due to Fe dopants in mixed oxides has not been identified so far. Here, we combine density functional theory calculations, scanning tunneling microscopy, and OER activity measurements on atomically defined Fe-doped Co oxyhydroxide nanoparticles supported on a gold surface to establish the link between the activity and the Fe distribution and concentration within the oxyhydroxide phase. We find that addition of Fe results in distinct effects depending on its location on edge or basal plane sites of the oxyhydroxide nanoparticles, resulting in a nonlinear OER activity as a function of Fe content. Fe atom substitution itself does not lead to intrinsically more active OER sites than the best Co sites. Instead, the sensitivity to Fe promoter content is explained by the strong preference for Fe to locate on the most active edge sites of oxyhydroxide nanoparticles, which for low Fe concentrations stabilizes the particles but in higher concentrations leads to a shell structure with less active Fe on all edge positions. The optimal Fe content thereby becomes dependent on nanoparticle size. Our findings demonstrate that synthesis strategies that adjust not only the Fe concentration in mixed oxides but also its distribution within a catalyst nanoparticle can lead to enhanced OER 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».