Sustainable H <sub>2</sub> O <sub>2</sub> production via solution plasma catalysis
Notice bibliographique
Résumé
Clean production of hydrogen peroxide (H 2 O 2 ) with water, oxygen, and renewable energy is considered an important green synthesis route, offering a valuable substitute for the traditional anthraquinone method. Currently, renewable energy–driven production of H 2 O 2 mostly relies on soluble additives, such as electrolytes and sacrificial agents, inevitably compromising the purity and sustainability of H 2 O 2 . Herein, we develop a solution plasma catalysis technique that eliminates the need for soluble additives, enabling eco-friendly production of concentrated H 2 O 2 directly from water and O 2 . Screening over 40 catalysts demonstrates the superior catalytic performance of carbon nitride interacting with discharge plasma in water. High-throughput density functional theory calculations for 68 models, along with machine learning using 29 descriptors, identify cyano carbon nitride (CCN) as the most efficient catalyst. Solution plasma catalysis with the CCN achieves concentrated H 2 O 2 of 20 mmol L −1 , two orders of magnitude higher than photocatalysis by the same catalyst. Plasma diagnostics, isotope labeling, and COMSOL simulations collectively validate that the interplay of solution plasma and the CCN accounts for the significantly increased production of singlet oxygen and H 2 O 2 thereafter. Our findings offer an efficient and sustainable pathway for H 2 O 2 production, promising wide-ranging applications across the chemical industry, public health, and environmental remediation.
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 ».