The Pattern of Hydroxyphenyl-Substitution Influences CO<sub>2</sub> Reduction More Strongly than the Number of Hydroxyphenyl Groups in Iron-Porphyrin Electrocatalysts
Notice bibliographique
Résumé
The development of catalysts that can convert carbon dioxide (CO 2 ) to useful reduced products is a pressing and ongoing challenge. Refinement of the designs of molecular electrocatalysts is of great interest, especially for meso -tetraarylmetalloporphyrins. Iron porphyrins with hydroxyphenyl groups situated near the active site are good electrocatalysts, and herein, we systematically explore how the position and number of meso- 2,6-dihydroxyphenyl groups on iron porphyrins influences CO 2 -to-CO conversion. A series of five iron porphyrins with 2,6-dihydroxyphenyl groups systematically placed at the 5, 10, 15, and 20 porphyrin positions were prepared. The isomer with 5,15-bis(2,6-dihydroxyphenyl) substitution was a superior catalyst for CO 2 reduction electrocatalysis in N,N -dimethylformamide solvent. To our surprise, the previously reported tetrakis(2,6-dihydroxyphenyl)porphyrin iron complex was not the best performing catalyst. We use density functional calculations to explore the factors that distinguish each of the catalysts and show how calculated Fe–C vibrational frequencies are related to observed electrochemical properties and catalyst kinetics. A corresponding analysis of optical spectra and relative reduction potentials illustrates the relationship between the placement of dihydroxyphenyl groups and catalyst performance. We conclude that substituents at the 5 and 15 positions are best at improving catalyst performance, leaving other parts of porphyrin macrocycles open for other modifications.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».