Microkinetic modelling‐driven insights into water–gas shift catalysis—Towards unravelling active transition metal‐based bimetallic alloys
Notice bibliographique
Résumé
Abstract Amid the ongoing energy crisis, the demand for ecofriendly fuel has skyrocketed. Hydrogen (H 2 ) is a clean energy source showcasing exciting potential to be the fuel of future. It can be produced through water–gas shift (WGS) reaction. Presently, the catalysts used for WGS reaction have some limitations–thermal sintering, carbon monoxide (CO) poisoning and lack of applicability to small scale operations. To minimize these obstacles, a microkinetic model (MKM) has been developed to identify most active transition metal catalysts as well as bimetallic alloy catalysts for WGS reaction. The MKM is constructed over stepped (211) sites of transition metal catalyst using CatMAP, wherein carbon and oxygen binding energies are used as descriptors. At the reaction conditions of 573 K, and 10 bar, with an initial conversion of 10%, Cu exhibited the maximum turnover of 10 −4 s −1 and the activity trend is noted to be–Cu > Co > Pt > Ni > Rh > Ru > Pd > Au > Ag. Most of the monometallic catalysts exhibited lower turnovers due to catalyst deactivation. To eradicate this problem, bimetallic alloys of Cu, Co, Pt, and Ni‐based catalysts were explored whereby Cu 3 Rh and Cu 3 Pt were identified as potential alloy catalysts lying at the top of the volcano curve (~10 −2 s −1 ) for the reaction. Besides these, Co 3 Pt, Co 3 Pd, Cu 3 Ni, Pt 3 Cu, Ni 3 Pt, and Ni 3 Pd also exhibited turnover rates (~10 −3 s −1 ) higher than the most active monometallic catalysts. These findings reveal high‐performance catalysts, which may subsequently be tested experimentally.
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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».