Electrochemical Reconstruction Engineering: Metal–Organic Gels as Pre‐Catalysts for NiOOH/FeOOH Heterostructure to Boost Oxygen Evolution Reaction
Notice bibliographique
Résumé
Metal–organic gels (MOG) as new types of soft materials have shown promising applications in various fields such as chemosensors, environmental remediation, and gas adsorption/separation, owing to their high porosity, low density, and high surface area. However, the application of MOG materials in energy electrocatalysis and the active components made from them are rarely perceived. Herein, a new electrochemistry‐driven reconstruction strategy to synthesize the NiOOH/FeOOH heterostructure from MOG materials is reported. The reconstructed NiOOH/FeOOH exhibits superior oxygen evolution reaction activity and excellent stability, owing to the synergistic effect of bimetallic centers, the abundant interface between NiOOH and FeOOH, and the plentiful defects. Impressively, the activated Re–FeNi–MOG‐4 electrocatalyst displays remarkable catalytic activity with a low overpotential of 220 mV at a current density of 10 mA cm−2 and a small Tafel slope of 48 mV dec−1 in alkaline electrolyte, outperforming most recently reported electrocatalysts. Herein, a facile and effective electrochemical reconstruction engineering of pre‐catalysts is provided and the evolution of self‐reconstruction of MOG materials for accelerating the kinetics of the electrocatalytic process is highlighted.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».