NMR of Organic Linkers in MOFs and COFs
Notice bibliographique
Résumé
Metal–organic frameworks (MOFs) and covalent-organic frameworks (COFs) are excellent candidates for many practical applications due to their advantageous features, such as high porosities and selective guest adsorption. Organic ligands play a crucial role in both MOFs and COFs as versatile structural linkers and as sites for introducing or tailoring functionalities. Comprehensive characterization of the environments of organic ligands in MOFs and COFs is necessary for further understanding of structure–property relationships and for the rational design of future materials. Solid-state nuclear magnetic resonance (SSNMR) can provide detailed molecular-level information regarding the chemical environment around a target linker atom. Given that organic linkers in MOFs and COFs typically feature many NMR-active nuclei such as 1H, 11B, 13C, 15N, 17O, 19F, and 31P, SSNMR can yield detailed insights into these systems. SSNMR of MOFs and COFs can be used to ascertain the number of unique atoms in the crystal structure, map the distribution of organic linkers, investigate structural defects, probe ligand dynamics, and study guest binding locations. In this chapter, we review reports regarding SSNMR characterization of organic linkers in MOFs and COFs, along with the effects of paramagnetic centers near the surrounding organic linkers on SSNMR spectra. The advantages and drawbacks of various SSNMR methods and approaches for linker characterization in MOFs and COFs are also discussed.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».