MétaCan
Menu
Retour à la cohorte
Enregistrement W4323347809 · doi:10.1002/anie.202218129

Toward Scalable Nanofluidic Osmotic Power Generation from Hypersaline Water Sources with a Metal–Organic Framework Membrane

2023· article· en· W4323347809 sur OpenAlexaff
Shangfa Pan, Peng Liu, Qi Li, Bin Zhu, Xueli Liu, Junchao Lao, Jun Gao, Lei Jiang

Notice bibliographique

RevueAngewandte Chemie International Edition · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueNanopore and Nanochannel Transport Studies
Établissements canadiensInstitute of Particle Physics
Organismes subventionnairesNational Natural Science Foundation of ChinaNational Key Research and Development Program of ChinaNatural Science Foundation of Shandong ProvinceShandong Energy Institute, Chinese Academy of Sciences
Mots-clésMembraneOsmotic powerOsmosisMaterials scienceNanotechnologyChemical engineeringChemistryForward osmosisChemical physicsEngineeringReverse osmosis

Résumé

récupéré en direct d'OpenAlex

Abstract Nanofluidic membranes have shown great promise in harvesting osmotic energy but its scalablity remains challenging since most studies only tested with a membrane area of ≈10 −2 mm 2 or smaller. We demonstrate that metal‐organic‐framework membranes with subnanometer pores can be used for scalable osmotic power generation from hypersaline water sources. Our membrane can be scaled up to a few mm 2 , and the power density can be stabilized at 1.7 W m −2 . We reveal that the key is to improve the out‐of‐membrane conductance while keeping the membrane's charge selectivity, contradicting the previous conception that the ionic conductivity of the membrane plays the dominating role. We highlight that subnanometer pores are essential to ensure the charge selectivity in hypersaline water sources. Our results suggest the importance to engineer the interplay between the in‐membrane and out‐of‐membrane ion transport properties for scalable osmotic power generation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,018
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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)0,0010,000

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 Opus0,018
Tête enseignante GPT0,210
Écart entre enseignants0,193 · 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 tête enseignante, pas un consensus.

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

Citations96
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAngewandte Chemie International EditionMême sujetNanopore and Nanochannel Transport StudiesTravaux en français237 207