MétaCan
Menu
Retour à la cohorte
Enregistrement W4211064742 · doi:10.3390/molecules27041199

Part II: NiMoO4 Nanostructures Synthesized by the Solution Combustion Method: A Parametric Study on the Influence of Material Synthesis and Electrode-Fabrication Parameters on the Electrocatalytic Activity in the Hydrogen Evolution Reaction

2022· article· en· W4211064742 sur OpenAlexafffund
Mahmoud Bassam Rammal, Vincent El-Ghoubaira, Sasha Omanovic

Notice bibliographique

RevueMolecules · 2022
Typearticle
Langueen
DomaineEnergy
ThématiqueElectrocatalysts for Energy Conversion
Établissements canadiensMcGill University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMcGill University
Mots-clésElectrocatalystCalcinationMaterials scienceChemical engineeringCarbon blackNafionCatalysisCarbon fibersOxideNon-blocking I/OInorganic chemistryElectrodeComposite numberElectrochemistryChemistryComposite materialMetallurgyOrganic chemistryPhysical chemistry

Résumé

récupéré en direct d'OpenAlex

Earth-abundant NiMo-oxide nanostructures were investigated as efficient electrocatalytic materials for the hydrogen evolution reaction (HER) in acidic media. Synthesis and non-synthesis parameters were thoroughly studied. For the non-synthesis parameters, the variation in Nafion loading resulted in a volcano-like trend, while the change in the electrocatalyst loading showed that the marginal benefit of high loadings attenuates due to mass-transfer limitations. The addition of carbon black to the electrocatalyst layer improved the HER performance at low loadings. Different carbon black grades showed a varying influence on the HER performance. Regarding the synthesis parameters, a calcination temperature of 500 °C, a calcination time between 20 and 720 min, a stoichiometric composition (Ni/Mo = 1), an acidic precursor solution, and a fuel-lean system were conditions that yielded the highest HER activity. The in-house NiMoO4/CB/Nafion electrocatalyst layer was found to offer a better long-term performance than the commercial Pt/C.

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 seuil0,006

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)0,0020,000

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 Opus0,011
Tête enseignante GPT0,228
Écart entre enseignants0,217 · 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

Citations6
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMoleculesMême sujetElectrocatalysts for Energy ConversionTravaux en français237 207