MétaCan
Menu
Retour à la cohorte
Enregistrement W4360954536 · doi:10.1016/j.gce.2023.03.003

Catalytic transformation of 4-nitrophenol into 4-aminophenol over ZnO nanowire array-decorated Cu nanoparticles

2023· article· en· W4360954536 sur OpenAlexaff
Anlin Feng, Chaoyu Lin, Huiqin Zhou, Weihong Jin, Hongjun Dong, Dongyang Li, Qingyang Li

Notice bibliographique

RevueGreen Chemical Engineering · 2023
Typearticle
Langueen
DomaineChemistry
ThématiqueNanomaterials for catalytic reactions
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Science Foundation of Hebei ProvinceNational Natural Science Foundation of China
Mots-clésCatalysisMaterials scienceNanoparticleNoble metal4-NitrophenolChemical engineeringAdsorptionHydrideNitrophenolMetalDispersion (optics)NanotechnologyElectron transferPhotochemistryChemistryOrganic chemistryMetallurgy

Résumé

récupéré en direct d'OpenAlex

To realize economical and effective removal of hazardous 4-nitrophenol from the environment, we developed an easily recyclable ZnO nanowire array decorated with Cu nanoparticles. Its salix argyracea-shaped structure not only provides a platform to achieve stable and good dispersion of Cu nanoparticles, but also offers a great deal of catalytically active sites. The density functional theory calculations reveal that ZnO and Cu have a very beneficial synergistic effect on their catalytic capability. This synergy is ascribed to the electronic localization occurring at ZnO/Cu interface, which helps improve Cu nanoparticle's ability to adsorb electro-negatively 4-nitrophenolate ions and to capture hydrogen radicals, thereby accelerating the hydrogen transfer from metal hydride complex to 4-nitrophenol. Benefiting from these characteristics, it exhibits high efficiency and reusability towards the catalytic reduction of waste 4-nitrophenol to valuable 4-aminophenol with a rate constant of 4.30 × 10−2 s−1 and an average conversion of 96.5% in 90 s during 10 cycles. This activity is superior to that of most reported noble- or non-noble-metal powder, bulk, coating, and array catalysts, indicating its competitive advantages in cost and efficiency, as well as enticing application prospects.

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 candidatesMéta-épidémiologie (sens strict)
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 enseignants0,009
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
Bibliométrie0,0000,001
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)0,0000,000

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 Opus0,010
Tête enseignante GPT0,215
Écart entre enseignants0,205 · 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

Citations35
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGreen Chemical EngineeringMême sujetNanomaterials for catalytic reactionsTravaux en français237 207