Ni<sub>x</sub>Fe<sub>100-x</sub> for urea and oxygen evolution: a matter of compromise
Notice bibliographique
Résumé
The combination of aqueous electrolysis, either for hydrogen generation or CO2 conversion, with wastewater treatment offers an elegant way to tackle issues associated with our energy transition and the need for clean drinking water. However, it requires an anode capable of doing both the oxidation of the targeted pollutant and the oxygen evolution reaction (OER), as most pollutants are present in too low concentration to be practical for industrial electrolysis. In this study, we focussed on the oxidation of urea on NixFe100-x catalysts. These catalysts were prepared by pulsed laser ablation in liquid, a versatile and green technique to prepare electrocatalysts. Transmission electron microscopy of the nanoparticles indicates the production of monodisperse nanoparticles, with an average diameter increasing from 7.8 ± 2.8 to 19.7 ± 3.9 nm with a higher iron fraction. The composition could be controlled between pure Ni and NiFe bimetallic nanoparticles with up to 56 ± 3% of iron, by controlling the composition of the target. A brief optimisation of the electrode preparation (loading, catalyst-to-carbon ratio) yielded an optimum at about 30 µg/cm2 of catalyst with a catalyst-to-carbon ratio of 20:80. During the electrocatalytic tests, Ni was the best catalyst for urea oxidation, with a maximum peak current of 619 mA/mg. However, Ni75Fe25 was the best OER catalyst, showing a peak current of 1150 mA/mg. The difference increased further during CA at 0.5 V, during which Ni75Fe25 outperformed pure Ni by almost a factor of 3 after 30 min.
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 | 0,001 | 0,001 |
| 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 | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».