MétaCan
Menu
Retour à la cohorte
Enregistrement W4386074106 · doi:10.3390/nano13172390

Photocatalytic Semi-Hydrogenation of Alkynes: A Game of Kinetics, Selectivity and Critical Timing

2023· article· en· W4386074106 sur OpenAlexafffund
Melissa Cely-Pinto, Bowen Wang, J. C. Scaiano

Notice bibliographique

RevueNanomaterials · 2023
Typearticle
Langueen
DomaineEnergy
ThématiqueAdvanced Photocatalysis Techniques
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Research Chairs
Mots-clésAlkyneAlkeneBimetallic stripCatalysisPalladiumSelectivityChemistryAlkaneKineticsPhotochemistryMethanolCombinatorial chemistryOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

The semi-hydrogenation reaction of alkynes is important in the fine chemicals and pharmaceutical industries, and it is thus important to find catalytic processes that will drive the reaction efficiently and at a low cost. The real challenge is to drive the alkyne-to-alkene reaction while avoiding over-hydrogenation to the saturated alkane moiety. The problem is more difficult when dealing with aromatic substitution at the alkyne center. Simple photocatalysts based on Palladium tend to proceed to the alkane, and stopping at the alkene with good selectivity requires very precise timing with basically no timing tolerance. We report here that the goal of high conversion with high selectivity could be achieved with TiO2-supported copper (Cu@TiO2), although with slower kinetics than for Pd@TiO2. A novel bimetallic catalyst, namely, CuPd@TiO2 (0.8% Cu and 0.05% Pd), with methanol as the hydrogen source could improve the kinetics by 50% with respect to Cu@TiO2, while achieving selectivities over 95% and with exceptional timing tolerance. Further, the low Palladium content minimizes its use, as Palladium is regarded as an element at risk of depletion.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,001
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
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 Opus0,024
Tête enseignante GPT0,311
Écart entre enseignants0,287 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations7
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNanomaterialsMême sujetAdvanced Photocatalysis TechniquesTravaux en français237 207