Metal–Organic Frameworks as Catalysts for (De)Hydrogenation: Progress, Challenges, and Perspectives
Notice bibliographique
Résumé
Storing hydrogen through chemical bonding in liquid-organic hydrogen carriers (LOHCs) offers a safer and more practical approach for hydrogen transportation compared to physical liquefaction, which is limited by low volumetric efficiency and gas release. The efficiency of LOHC systems is highly dependent on effective catalysts, which are typically composed of transition metals supported on metal oxides. However, these materials often rely upon costly noble metals, and their nonuniform nature limits mechanistic insights and structure–function relationships that could improve catalyst design. Metal–organic frameworks (MOFs) are promising alternatives to existing catalysts due to their crystalline, tunable, and porous nature. However, their use as catalysts for (de)hydrogenation reactions remains largely underexplored. Related to this, we identify two general classes of MOFs reported as catalysts for (de)hydrogenation reactions: MOFs as scaffolds for catalytically active species and MOFs that function as reactive materials themselves. MOF composites anchor reactive nanoparticles or homogeneous species, imparting reactivity to the framework. The confinement effects experienced by the affixed species, combined with favorable substrate adsorption interactions or acid sites provided by the MOF, enhance the stability, selectivity, and activity of these catalysts for (de)hydrogenation reactions. Additionally, catalytically active MOFs often feature open metal sites at the node or undergo postsynthetic modification at either node or linker to impart reactivity. Taking inspiration from these materials, we outline the current state and key challenges of utilizing MOFs as (de)hydrogenation catalysts and propose research pathways to advance materials in this field for energy applications.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 ».