Optimizing the Ultra-High Dispersion of Ir on NiO Nanosponge for Enhanced Oxygen Evolution Reaction
Notice bibliographique
Résumé
Nickel oxide is known for its excellent performance in various catalytic processes, owing to its wide availability and cost-effectiveness compared to noble metal catalysts in alkaline environments. While iridium (Ir) oxide demonstrates superior catalytic performance for the oxygen evolution reaction (OER), its scarcity and high cost limit its widespread use. Achieving ultra-high dispersion of Ir addresses these challenges by reducing its required quantity while simultaneously enhancing OER efficiency. Catalysts with ultra-high dispersion exhibit superior performance and selectivity due to their increased reactivity and efficient use of active sites. However, anchoring dispersed Ir within host materials and preventing agglomeration remains a significant challenge [1,2]. In this study, we employ a two-step electrochemical anodization process to fabricate highly porous nickel oxide nanosponges [3]. We then introduce an innovative sonochemical technique that creates defects and achieves ultra-high dispersion of Ir on these porous NiO nanostructures by varying the Ir solution concentration. This single-step sonication process generates a high density of defects within the NiO matrix, stabilizing dispersed Ir sites across the nanostructure [4]. By combining electrochemical anodization with defect engineering via sonication, we achieve efficient entrapment and uniform distribution of Ir at the atomic level. Our results show that defects and the ultra-high dispersion of Ir atoms significantly enhance OER electrocatalytic efficiency. Incorporating Ir into the NiO nanosponge support maximizes the active sites, improving H2O molecule adsorption and its conversion to OH, resulting in more efficient catalysts with improved reaction kinetics for OER. The electrodes are characterized using advanced microscopy techniques, including FESEM, TEM, and HAADF-STEM, alongside spectroscopy methods such as XPS and ToF-SIMS [5]. Linear sweep voltammetry is used to assess the O2 evolution activity of NiO electrodes. These results highlight a significant improvement in the electrocatalytic efficiency of nanostructured NiO electrodes modified with durable and optimized Ir co-catalysts via the sonochemical technique. [1] Q. Wang, X. Huang, Z.L. Zhao, M. Wang, B. Xiang, J. Li, Z. Feng, H. Xu, M. Gu, J. Am. Chem. Soc. 142 (2020) 7425–7433. https://doi.org/10.1021/jacs.9b12642. [2] M.-Q. Yang, K.-L. Zhou, C. Wang, M.-C. Zhang, C.-H. Wang, X. Ke, G. Chen, H. Wang, R.-Z. Wang, J. Mater. Chem. A. 10 (2022) 25692–25700. https://doi.org/10.1039/D2TA07292K. [3] U. Sultan, F. Ahmadloo, G. Cha, B. Gökcan, S. Hejazi, J.E. Yoo, N.T. Nguyen, M. Altomare, P. Schmuki, M.S. Killian, ACS Appl. Energy Mater. 3 (2020) 7865–7872. https://doi.org/10.1021/acsaem.0c01249. [4] S. Hejazi, S. Pour-Ali, A. Kosari, N. Farahbakhsh, M.S. Killian, S. Mohajernia, Sustain. Energy Fuels. (2024). https://doi.org/10.1039/D4SE01214C. [5] M. Shahsanaei, N. Farahbakhsh, S. Pour-Ali, S. Mohajernia, S. Orangpour, A. Schardt, C. Engelhard, M. Killian, S. Hejazi, J. Mater. Chem. A. (2024). https://doi.org/10.1039/D4TA01809E. Figure 1
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».