MétaCan
Menu
Retour à la cohorte
Enregistrement W3215834787 · doi:10.3390/nano11123259

Catalytic Hydrogen Evolution of NaBH4 Hydrolysis by Cobalt Nanoparticles Supported on Bagasse-Derived Porous Carbon

2021· article· en· W3215834787 sur OpenAlexafffund
Yiting Bu, Jiaxi Liu, Hailiang Chu, Sheng Wei, Qingqing Yin, Kang Li, Xiaoshuang Luo, Lixian Sun, Fen Xu, Pengru Huang, Federico Rosei, А. А. Pimerzin, Hans J. Seifert, Yong Du, Jianchuan Wang

Notice bibliographique

RevueNanomaterials · 2021
Typearticle
Langueen
DomaineMaterials Science
ThématiqueHydrogen Storage and Materials
Établissements canadiensInstitut National de la Recherche Scientifique
Organismes subventionnairesCanada Research Chairs
Mots-clésCatalysisDehydrogenationChemical engineeringSodium borohydrideMaterials scienceHydrolysisHydrogenCobaltNanoparticleHydrogen storageHydrogen productionBagasseCarbon fibersInorganic chemistryChemistryNanotechnologyOrganic chemistryComposite material

Résumé

récupéré en direct d'OpenAlex

As a promising hydrogen storage material, sodium borohydride (NaBH4) exhibits superior stability in alkaline solutions and delivers 10.8 wt.% theoretical hydrogen storage capacity. Nevertheless, its hydrolysis reaction at room temperature must be activated and accelerated by adding an effective catalyst. In this study, we synthesize Co nanoparticles supported on bagasse-derived porous carbon (Co@xPC) for catalytic hydrolytic dehydrogenation of NaBH4. According to the experimental results, Co nanoparticles with uniform particle size and high dispersion are successfully supported on porous carbon to achieve a Co@150PC catalyst. It exhibits particularly high activity of hydrogen generation with the optimal hydrogen production rate of 11086.4 mLH2∙min−1∙gCo−1 and low activation energy (Ea) of 31.25 kJ mol−1. The calculation results based on density functional theory (DFT) indicate that the Co@xPC structure is conducive to the dissociation of [BH4]−, which effectively enhances the hydrolysis efficiency of NaBH4. Moreover, Co@150PC presents an excellent durability, retaining 72.0% of the initial catalyst activity after 15 cycling tests. Moreover, we also explored the degradation mechanism of catalyst 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 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 enseignants0,002
Score d'incertitude au seuil0,003

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 Opus0,010
Tête enseignante GPT0,228
Écart entre enseignants0,218 · 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

Citations70
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNanomaterialsMême sujetHydrogen Storage and MaterialsTravaux en français237 207