MétaCan
Menu
Retour à la cohorte
Enregistrement W4405503531 · doi:10.1016/j.nanoms.2024.11.007

Recent progress in bismuth-based materials for electrochemical CO2 reduction to formate/formic acid

2024· article· en· W4405503531 sur OpenAlexaff
Xinrui Linghu, Jun Chen, Liangliang Jiang, Tianshuai Wang

Notice bibliographique

RevueNano Materials Science · 2024
Typearticle
Langueen
DomaineEnergy
ThématiqueCO2 Reduction Techniques and Catalysts
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésBismuthFormic acidFormateElectrochemistryReduction (mathematics)Materials scienceInorganic chemistryChemistryMetallurgyPhysical chemistryOrganic chemistryCatalysisElectrodeMathematics

Résumé

récupéré en direct d'OpenAlex

The electrochemical reduction of carbon dioxide (CO 2 ) to formate/formic acid represents a significant pathway for sustainable fuel production, addressing both environmental sustainability and the growing demand for renewable energy sources. Recently, bismuth-based (Bi-based) catalysts have attracted significant attention for this field due to their high selectivity, cost-effectiveness, and environmental friendliness. However, a critical challenge remains: developing catalysts that can achieve industrial-scale current density, high Faradaic efficiency, and robust stability simultaneously. Various emerging strategies have been explored to overcome this challenge. This review provides a comprehensive overview of recent advancements in this area. We begin with a discussion of the reaction mechanisms and theoretical optimization techniques for CO 2 reduction using Bi-based electrocatalysts. We then highlight recent optimization strategies for designing high-performance Bi-based catalysts, including approaches such as morphology control, crystal plane effects, doping engineering, interface engineering, and single-atom alloy engineering. Finally, we discuss future research directions for designing Bi-based catalysts capable of operating under industrial conditions for the electroreduction of CO 2 to formate/formic acid.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,290
Écart entre enseignants0,277 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNano Materials ScienceMême sujetCO2 Reduction Techniques and CatalystsTravaux en français237 207