Optimizing low-temperature defect engineering in TiO2 nanosheets for enhanced photocatalytic water splitting
Notice bibliographique
Résumé
• Optimized low-temp reduction yields TiO 2 nanosheets rich in oxygen vacancies. • 50 mL/min Ar/H 2 for 1 h produces TiNSs with max Ti 3+ spin density (2.21 × 10 17 spins/mol). • H 2 evolution rate reaches 376.2 μL h −1 g −1 , ∼8 × higher than untreated TiNSs. • DFT shows saturation of mid-gap states beyond 10% oxygen vacancy concentration. Thermal treatment in H 2 -bearing atmospheres is widely used to introduce oxygen vacancies (O V ) both on the surface and within the bulk of TiO 2 . However, the influence of key processing parameters—particularly gas flow rate and exposure time—remains underexplored. In this work, we present a comprehensive study on the defect engineering of TiO 2 nanosheets (TiNSs) via controlled thermal reduction at 200 °C under varying Ar/H 2 flow rates (10–200 mL/min) and durations (0.5–4 h). Structural, electronic, chemical state, and photocatalytic characterizations—including BET, XRD, UV–Vis, EPR, XPS, and electrochemical measurements—reveal a strong correlation between treatment conditions, defect concentration, and photocatalytic performance. TiNSs treated at 50 mL/min Ar/H 2 for 1 h exhibited the highest Ti 3+ content, with an EPR-determined spin concentration of 2.21 × 10 17 spins/mole, significantly reducing charge transfer resistance. This optimized sample achieved an H 2 evolution rate of 376.2 µL h −1 g −1 , approximately 8 times higher than untreated TiNSs. DFT calculations indicate that the optimized sample most likely exhibits saturated mid-gap states. Together, these results shed new light on the critical role of reduction atmosphere dynamics in fine-tuning TiO 2 ′s defect landscape, paving the way toward the rational design of next-generation photocatalysts for green hydrogen production.
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) | 0,000 | 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 | 0,001 | 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 ».