Electrocatalytic CO<sub>2</sub> Reduction to Ethylene: From Advanced Catalyst Design to Industrial Applications
Notice bibliographique
Résumé
Abstract The value‐added chemicals, monoxide, methane, ethylene, ethanol, ethane, and so on, can be efficiently generated through the electrochemical CO 2 reduction reaction (eCO 2 RR) when equipped with suitable catalysts. Among them, ethylene is particularly important as a chemical feedstock for petrochemical manufacture. However, despite its high Faradaic efficiency achievable at relatively low current densities, the substantial enhancement of ethylene selectivity and stability at industrial current densities poses a formidable challenge. To facilitate the industrial implementation of eCO 2 RR for ethylene production, it is imperative to identify key strategies and potential solutions through comprehending the recent advancements, remaining challenges, and future directions. Herein, the latest and innovative catalyst design strategies of eCO 2 RR to ethylene are summarized and discussed, starting with the properties of catalysts such as morphology, crystalline, oxidation state, defect, composition, and surface engineering. The review subsequently outlines the related important state‐of‐the‐art technologies that are essential in driving forward eCO 2 RR to ethylene into practical applications, such as CO 2 capture, product separation, and downstream reactions. Finally, a greenhouse model that integrates CO 2 capture, conversion, storage, and utilization is proposed to present an ideal perspective direction of eCO 2 RR to ethylene.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,005 |
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 tête enseignante, 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 ».