Leveraging Inherent Structure of Tin Oxide for Efficient Carbonaceous Products Electrosynthesis
Notice bibliographique
Résumé
Abstract Electrochemical CO2 reduction reaction (CO2RR) holds a great potential for converting CO2 into valuable carbon‐based chemicals and fuels. A promising strategy for enhancing CO2RR performance is the deliberate structural design of electrocatalysts, which can maximize the utilization of inherent structural advantages. In this work, SnO2 nanocubes (NCs) and nanorods (NRs) are synthesized using a surface energy‐driven growth orientation method, where the stable (110) facet and the highly energetic (001) facet constitute the SnO2 nanostructures. Leveraging the inherent structural merits of different facets on SnO2, theoretical calculations reveal that the (001) facet plays a primary role in inhibiting hydrogen evolution reaction (HER), while both (110) and (001) facets are highly favorable for CO2‐to‐formate conversion under the external bias. As a result, SnO2 NCs with a higher facet ratio of (001)/(110) achieve nearly 100% selectivity for the formation of carbonaceous products during CO2RR. More importantly, a maximum partial current density of about 1 A cm−2 with a formate Faradaic efficiency (FE) of over 90% is achieved in a flow cell, distinguishing it from most of the reported Sn‐based electrocatalysts. These results highlight the strategic advantages of leveraging the inherent structure of nanomaterials for efficient CO2RR.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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) | 0,001 | 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 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 ».