Substrate Diffusion Electrodes for Electrochemical Hydrogenation: Influence of Material Choice and Process Conditions
Notice bibliographique
Résumé
Abstract Synthetic electrochemistry enables selective chemical transformations without the need for stoichiometric reactants, yet the reliance on electrolytes and substrate dilution often limits its feasibility. Addressing this, we previously introduced the substrate diffusion electrode (SDE) as a flexible and modular platform for the conversion of pure substrate feeds. Herein, we examine the impact of the separation layer material, adjacent electrolyte, process conditions, and catalyst properties on electrochemical hydrogenation (EChH) efficiency and crossover rates. A linear correlation between the choice of hydrophobic transport layers and local substrate concentration was demonstrated, highlighting substrate concentration as a key factor for semi‐hydrogenations. Our results reveal that the ion exchange capacity (IEC) of the ionomer transport layer significantly influences semi‐hydrogenation efficiency, with a notable improvement in faradaic efficiency (FE) when switching from lower‐IEC to higher‐IEC membranes. However, the trade‐off between high FE and low electrolyte crossover persists, with the optimal conditions varying based on electrolyte pH and cation concentrations. Additionally, we pioneered operando spectroscopy in this context confirming that the local substrate concentration is a dynamic, tunable factor. The presented results reveal how the investigated parameters influence the local substrate‐electrolyte concentration balance and how they can be tuned to obtain optimum conditions for the valorization of discrete substrate feeds.
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 | 0,000 | 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) | 0,000 | 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 ».