Efficient Production of Green Hydrogen by Ethanol Electrolysis at a PtRhRu Catalyst
Notice bibliographique
Résumé
Production of green hydrogen by electrolysis of ethanol is potentially a more efficient technology than water electrolysis because it requires much lower cell potentials. However, separation and valorization of the acetic acid and acetaldehyde byproducts are required, producing greater uncertainty in the cost of hydrogen. Fluctuations in commodity prices also make it difficult to select the most appropriate catalysts and operating conditions. These issues are addressed here by the analysis of electrochemical data and product distributions, over a range of potentials and ethanol concentrations, using a techno-economic framework to estimate the projected cost of hydrogen. For Jan 2025 prices, a minimum cost of 4.5 USD kg –1 was obtained for the production of hydrogen using a PtRhRu catalyst, which is at the high end of a range estimated for water electrolysis. However, a sensitivity analysis shows that a doubling of the price of acetic acid to 1 USD kg –1 would decrease the hydrogen cost to 1.1 USD kg –1 . The stoichiometry for ethanol oxidation has a strong influence on the cost, since it determines the selectivity for hydrogen production (hydrogen:ethanol ratio). Consequently, the PtRhRu catalyst is more efficient than the PtRu catalysts that are generally employed for ethanol electrolysis due to the high yields of acetic acid and CO 2 that it can produce. Overall, the results of the cost of hydrogen estimates and their dependence on the ethanol concentration and cell potential provide a comprehensive view of the economic potential of ethanol electrolysis and framework for optimizing catalysts and operating parameters in response to changing market conditions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».