Crystallization Engineering of CuNi <sub>2</sub> S <sub>4</sub> Ultra‐Fine Nanocrystals with Optimized Band Structures for Efficient Photocatalytic Pollutant Degradation and Hydrogen Production
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The mono‐dispersed cubic siegenite CuNi 2 S 4 ultra‐fine (≈5 nm) nanocrystals are fabricated through crystallization engineering under hot injection. The strong hydroxylation on mostly exposed CuNi 2 S 4 (220) surface leads to the formation of multi‐valence (Cu + , Cu 2+ , Ni 2+ , Ni 3+ ) species with unsaturated hybridization and coordination micro‐environments, which can induce rich redox reactions to optimize interfacial kinetics for the adsorbed reaction intermediates. The as‐synthesized CuNi 2 S 4 nanocrystals with ultra‐small particle size and the characteristics of being highly dispersed can increase specific surface area and hydroxylated active sites, which considerably contribute to the improvement of photocatalytic activities. Experimental and theoretical studies indicate that the CuNi 2 S 4 with unique surface condition can properly modulate the charge density distribution and the electronic band structure, thus achieving an optimal band gap for enhancing visible light absorption. Additionally, the strong hydroxylation on CuNi 2 S 4 (220) surface can not only make the photocatalytic process stable in alkaline environment but also bring about an impurity level between conduction and valence band, which facilitates the separation of photo‐induced charge carriers by suppressing the rapid re‐combination of exited electrons and holes. The optimization of band structure should be the intrinsic reason for the efficient photocatalytic pollutant degradation and hydrogen production under visible light illumination.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,000 | 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 découle