Facet Strain Strategy of Atomically Dispersed FeNC Catalyst for Efficient Oxygen Electrocatalysis
Notice bibliographique
Résumé
Abstract Increasing the portion of highly active metal centers in atomically dispersed MNC catalysts is significant for the overall oxygen reduction reaction (ORR) performance. A “facet strain strategy” is designed by using a trans‐layer compressive strain of the {110} facet of FeCo nanoparticles encapsulated in graphitic FeNC layers to further activate the primitive FeN 4 catalytic centers on the graphitic sub‐layer that are omitted in commonly direct access activation strategies. Using X‐ray absorption near‐edge spectroscopy and extended X‐ray absorption fine structure, the highly active FeN 4 type is detected with compressed FeN bonds. Density functional theory calculation discloses that, in virtue of lattice mismatch, FeCo {110} facets transmit a trans‐layer compressive strain to reconstruct the FeN 4 sites on surrounding graphitic sub‐layers to optimize the Fe‐OH* adsorption energy in the rate‐determining step. The redesigned catalyst exhibits enhanced ORR activity, outperforming the primitive FeNC and commercial Pt/C benchmarks. This study will enrich insights toward developing MN 4 and nanoparticle composite electrocatalysts.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».