Silicon Nanowire-Supported Catalysts for the Photocatalytic Reduction of Carbon Dioxide
Notice bibliographique
Résumé
The conversion of carbon dioxide, a greenhouse gas, into valuable chemicals using sunlight is highly significant technologically and holds the promise of providing a more sustainable alternative to fossil fuels. To effectively utilize the abundant solar irradiation, it is essential to develop catalysts that can absorb a significant portion of the solar spectrum, particularly in the UV, visible, and infrared regions. Silicon nanowire arrays grown on silicon substrates meet this criterion, as they can absorb over 85% of solar irradiation and show minimal reflective losses across the UV, visible, and infrared portions of the solar spectrum. Herein, we report the deposition of various catalysts, including iron oxyhydroxides, copper, nickel, and ruthenium, on silicon nanowires using different catalyst deposition techniques. The photocatalytic reduction of carbon dioxide was evaluated using these catalysts. The results show that silicon nanowires coated with nickel and ruthenium oxide had the highest activity towards the photocatalytic reduction of carbon dioxide, with photomethanation rates reaching 546 μmolgcat−1h−1 for RuO2@SiNWs and 278 μmolgcat−1h−1 for Ni/NiO@SiNWs. Continued improvement of photocatalysts using nanostructured silicon supports could enable the development of solar refineries for converting gas-phase CO2 into value-added chemicals and fuels.
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 ».