MétaCan
Menu
Retour à la cohorte
Enregistrement W4313321160 · doi:10.1021/acsaem.2c02303

Plasmonic Titanium Nitride/g-C<sub>3</sub>N<sub>4</sub> with Inherent Interface Facilitates Photocatalytic CO<sub>2</sub> Reduction

2022· article· en· W4313321160 sur OpenAlexafffund
Trong‐On Do

Notice bibliographique

RevueACS Applied Energy Materials · 2022
Typearticle
Langueen
DomaineEnergy
ThématiqueAdvanced Photocatalysis Techniques
Établissements canadiensUniversité Laval
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésMaterials sciencePlasmonPhotocatalysisTitanium nitrideTinNanoparticleSurface plasmon resonanceNanotechnologyNitrideGraphitic carbon nitridePlasmonic nanoparticlesElectron transferPhotochemistryOptoelectronicsCatalysisChemistryOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Plasmonic metal nitride is a practical alternative for plasmonic gold nanoparticles owing to its low-cost, tunable plasmonic resonance in the visible-light and near-IR region. However, an efficient charge transfer between plasmonic metal nitride nanoparticles and graphitic carbon nitride g-C 3 N 4 through the formation of chemical bonds remains challenging. Herein, a facile strategy for the fabrication of plasmonic titanium nitride/g-C 3 N 4 with intimate contact toward an enhanced photocatalytic CO 2 reduction is proposed. The functionalization of TiN nanoparticles with amino groups enables the copolymerization with g-C 3 N 4 precursors, offering intimate contact between them by the covalent bonds. This intimate contact could facilitate the electron transfer between TiN nanoparticles and g-C 3 N 4 . Under optimized conditions, the representative g-C 3 N 4 -2.8TiN has the highest CO production rate of ∼820 μmol g –1 h –1 with an apparent quantum yield of 3.5% at 400 nm and even 0.43% at 550 nm, which are some of the highest reported values for g-C 3 N 4 -based materials. This work offers promising opportunities to fabricate low-cost plasmonic nanoparticle/semiconductor systems for solar energy applications.

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 seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
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 Opus0,011
Tête enseignante GPT0,230
Écart entre enseignants0,219 · 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

Citations25
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS Applied Energy MaterialsMême sujetAdvanced Photocatalysis TechniquesTravaux en français237 207