MétaCan
Menu
Retour à la cohorte
Enregistrement W4407248819 · doi:10.1021/acs.energyfuels.4c05070

Designing Nanoporous Non-noble High Entropy Alloys as Efficient Catalysts for the Hydrogen Evolution Reaction

2025· article· en· W4407248819 sur OpenAlexafffund
Lixin Chen, Zhiwen Chen, Xue Yao, Zachary Liam Carroll, Ruitian Chen, Changjun Cheng, Wandong Wang, Xin Pang, Gaofeng Li, Robert W. Black, Keun Su Kim, Yu Zou, Chandra Veer Singh

Notice bibliographique

RevueEnergy & Fuels · 2025
Typearticle
Langueen
DomaineEnergy
ThématiqueElectrocatalysts for Energy Conversion
Établissements canadiensUniversity of New BrunswickNational Research Council CanadaNatural Resources CanadaUniversity of Toronto
Organismes subventionnairesNational Research Council CanadaNatural Sciences and Engineering Research Council of CanadaUniversity of Toronto
Mots-clésNanoporousCatalysisHydrogenEntropy (arrow of time)Materials scienceChemistryThermodynamicsNanotechnologyPhysicsOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Hydrogen represents a promising clean energy; however, the application of hydrogen energy is limited by the prohibitively expensive commercial Pt/C catalyst for the hydrogen evolution reaction (HER). In this work, we designed non-noble high entropy alloy (HEA) catalysts of FeCoNiCuMo with diversified active centers, which have an excellent catalytic performance for HER. Density functional theory calculations indicate that Fe, Co, and Ni sites with strong adsorption of H* could facilitate water splitting, while Cu and Mo sites with weak adsorption of H* could promote the formation of H 2 . As a proof of concept, we synthesized nanoporous (NP) FeCoNiCuMo by ball milling and dealloying to further increase the designed active centers, resulting in an onset potential of 0 V vs reversible hydrogen electrode (RHE) and overpotential of 68 mV at −10 mA cm –2, which are even comparable to that of the Pt/C catalyst. Our work highlights the great potential of NP non-noble HEA catalysts for HER and accelerates the industrial application of hydrogen energy.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,000
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,005
Tête enseignante GPT0,215
Écart entre enseignants0,210 · 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
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

Citations15
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergy & FuelsMême sujetElectrocatalysts for Energy ConversionTravaux en français237 207