MétaCan
Menu
Retour à la cohorte
Enregistrement W4406199451 · doi:10.1021/acscatal.4c05531

Pendant Catechol Group Improves the Performance of Iron Porphyrin CO<sub>2</sub> Reduction Catalysts

2025· article· en· W4406199451 sur OpenAlexafffund
Ana Sonea, Jeffrey J. Warren

Notice bibliographique

RevueACS Catalysis · 2025
Typearticle
Langueen
DomaineEnergy
ThématiqueCO2 Reduction Techniques and Catalysts
Établissements canadiensSimon Fraser University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaSimon Fraser University
Mots-clésPorphyrinChemistryCatalysisCarbon monoxidePhotochemistryMoleculeInorganic chemistryOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

In this work, we prepared chloroiron 5-(2,3-dihydroxyphenyl)-10,15,20-triphenyl porphyrin (Fe(Cat)TPP) and investigated its properties for CO 2 reduction. Iron porphyrins make up a class of compounds that are known to efficiently convert CO 2 to carbon monoxide (CO). There exist many different porphyrin derivatives that reduce CO 2 with some leading examples, including structures that place hydrogen bond donors and/or proton donors near the iron ion active site. Here, the presence of an internal H-bond in the 2,3-dihydroxyphenyl group in Fe(Cat)TPP increases the observed CO 2 reduction rate constants by a factor of 10 with respect to the parent chloroiron-5,10,15,20-tetraphenyl porphyrin and a factor of 3 with respect to a porphyrin with only one hydroxyphenyl (i.e., chloroiron 5-(2-hydroxyphenyl)-10,15,20-triphenyl porphyrin). The presence of the internal H-bond is proposed to facilitate the proton-coupled electron transfer process of carbon–oxygen bond breaking, which has been established as the rate-limiting step in CO 2 -to-CO conversion. The Fe(Cat)TPP molecule, and those like it, are important to improving designs of molecular electrocatalysts. The ongoing development of platforms that can rapidly and selectively mediate the electrochemical transformation of carbon dioxide (CO 2 ) to valorized products is a great technical challenge.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,112
Score d'incertitude au seuil0,969

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,229
Écart entre enseignants0,223 · 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 tête enseignante, 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
GenreEmpirique

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

En bref

Citations10
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS CatalysisMême sujetCO2 Reduction Techniques and CatalystsTravaux en français237 207