Power ultrasound as performance enhancer for alkaline water electrolysis: A review
Notice bibliographique
Résumé
The industry is advancing decarbonization in hydrogen production through water splitting technologies like water electrolysis, which involves the hydrogen evolution reaction (HER) at the cathode and oxygen evolution reaction (OER) at the anode. Alkaline water electrolyser (AWE) is particularly suited for industrial applications due to its use of cost-effective and abundant nickel-based electrodes. However, AWE faces significant challenges, including energy losses from gas bubble coverage and poor detachment, known as “bubble resistance”. Recent research highlights the role of power ultrasound in mitigating these issues by leveraging Bjerknes forces . These forces facilitate the ejection of larger bubbles and the coalescence of smaller ones, enhancing gas removal. Additionally, ultrasound improves mass transfer from the electrolyte to electrodes and boosts heat transfer via acoustic streaming and acoustic cavitation, which the latter also enhances electrocatalytic properties for both HER and OER. However, employing ultrasonic fields presents both benefits and challenges for scaling the system. • Impact of gas bubble formation on the overpotential in alkaline water electrolysis. • Stirring effects of power ultrasound for enhancing heat and mass transfers. • Enhancing nickel as electrocatalyst in alkaline media through acoustic cavitation. • Bjerknes forces from power ultrasound facilitate gas bubble removal. • Modification of gas bubble evolution under ultrasonication.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».