MétaCan
Menu
Retour à la cohorte
Enregistrement W4390495641 · doi:10.1007/s12274-023-6328-0

Lattice-distorted Pt wrinkled nanoparticles for highly effective hydrogen electrocatalysis

2024· article· en· W4390495641 sur OpenAlexaff
Xue Li, Xiang Han, Zhenrui Yang, Shun Wang, Yun Yang, Juan Wang, Jiadong Chen, Zhongwei Chen, Huile Jin

Notice bibliographique

RevueNano Research · 2024
Typearticle
Langueen
DomaineEnergy
ThématiqueElectrocatalysts for Energy Conversion
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésOverpotentialElectrocatalystDensity functional theoryMaterials scienceHydrogenNanoparticleChemical physicsNanotechnologyChemistryChemical engineeringComputational chemistryPhysical chemistryElectrodeElectrochemistry

Résumé

récupéré en direct d'OpenAlex

Modulating Pt surfaces through the introduction of lattice distortion emerges as immensely effective strategy that enhances the kinetics of alkaline hydrogen evolution and oxidation processes. In this study, we fabricated lattice-distorted Pt wrinkled nanoparticles (LD-Pt WNPs) for efficient hydrogen electrocatalysis. The LD-Pt WNPs not only outperform the Pt/C benchmark in hydrogen oxidation reaction, achieving an excellent mass-specific current of 968.5 mA·mg Pt −1 (9 times that of Pt/C), but also demonstrate outstanding hydrogen evolution reaction activity with a small overpotential of 58.0 mV. Comprehensive experiments and density functional theory calculations reveal that lattice defects introduce an abundance of unsaturated coordination atoms while modifying the d-band center of Pt. This dual effect optimizes the binding strength of crucial H and OH intermediates, leading to a significant reduction in the energy barrier of the reaction bottleneck, commonly known as the Volmer step. This work unveils a fresh viewpoint on projecting and developing high efficiency electrocatalysts through defect engineering.

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)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,137
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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 Opus0,027
Tête enseignante GPT0,328
Écart entre enseignants0,301 · 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

Citations21
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNano ResearchMême sujetElectrocatalysts for Energy ConversionTravaux en français237 207