<i>MaxKinEff</i>: A Collision Theory‐Based Approach for Analyzing Turnover Frequency and Turnover Number in Catalytic Processes
Notice bibliographique
Résumé
Abstract The efficiency of catalysts relies on comprehending the underlying kinetics that govern their performance. Under the steady‐state regime, the “rate” is referred to as the turnover frequency, where the reaction rate is first order with respect to catalysts. Here, we introduce the Maximum Kinetic Efficiency ( MaxKinEff ) model, grounded in collision theory, to predict efficiency based on maximum turnover frequency, and maximum turnover number, . The model was applied to molecular water oxidation using twenty‐six transition metal catalysts from the first (3d), second (4d), and third (5d) rows. A thorough investigation reveals that [Ru(pda)(Br‐py) 2 ] (pda=1,10‐phenanthroline‐2,9‐dicarboxylate; Py=pyridinophane) exhibits a notable of 1176.87×10 −5 s −1 due to its larger collision diameter ( σ RC ) and lower activation energy ( E a ). Importantly, the trend in the computed values aligns with experimental TON, validating the model's accuracy. For instance, [Cp * Ir( κ 2 ‐N,O)NO 3 ] is identified by MaxKinEff as a standout performer, with the normalized maximum computed TON, resembling the experimental TON, =2000.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».