Experimental and Computational Synergistic Design of Cu and Fe Catalysts for the Reverse Water–Gas Shift: A Review
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
Strategies to capture and sequester ever-increasing anthropogenic CO2 emissions include adsorbing CO2 onto inorganic substrates and then storing it in reservoirs, changing land use to promote forestry, and converting CO2 to chemicals and fuels. The reverse water–gas shift (RWGS) reaction is a conversion strategy for producing CO from CO2 that provides the highest technology readiness level. Cu and alkali metals promote CO2 adsorption, Fe improves the thermal stability, and reducible supports like CeO2 accelerate the reaction rate. Density functional theory (DFT) is a practical modeling tool for evaluating the catalytic properties of materials at the atomic scale. The active phases of the Cu- and Fe-based catalysts, the effect of bimetallic compositions, the presence of promotors, and the influence of the support material are evaluated using observations from DFT simulations and experimental data. An optimal RWGS catalyst favors (1) CO2 adsorption, (2) the dissociation of CO2 or intermediate carbonate species to CO, and (3) CO desorption. Typically, a single-component catalytic plane is unfavorable for all these criteria, thus necessitating the design of an optimal multicomponent RWGS catalyst. Future DFT research is directed toward multifacet catalytic systems to understand the structural configuration of a highly active RWGS system. Experimental and characterization results complement DFT studies in the design of the optimal RWGS catalyst. Machine learning trained by literature data provides an automated approach for the inverse design of high-performance, stable, and economic catalysts for the RWGS reaction. This review encompasses experimental and computational approaches to understand the activity of RWGS catalysts.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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