Electrochemical coreduction of nitrite and CO₂ in an ionic liquid system
Notice bibliographique
Résumé
Environmental concerns and demand for sustainability drive investigations of electrochemical reduction of CO₂, N₂, and nitrogen pollutants. The simultaneous reduction of CO₂ and nitrite to generate urea tackles multiple issues while producing valuable products. Moreover, incorporating ionic liquids (ILs) improves catalytic performance and selectivity. This study investigates the performance of various catalysts, including cobalt and iron phthalocyanine, as well as Cu, Pd, Ir, MoS₂, TiO₂, and Rh nanoparticles, and graphene nanoplatelets in terms of urea production rates and yields. When a cobalt phthalocyanine catalyst was combined with a mixture of 1-butylpyridinium hexafluorophosphate (BuPyPF₆) and trihexyltetradecylphosphonium bis(trifluoromethylsulfonyl)imide (P₆₆₆₁₄NTf₂), the hydrophobic nature of the catalyst layer increased, resulting in higher faradaic efficiency (25% at –0.064 V vs RHE). Combining a commercial carbon-supported Cu catalyst with CoPc proved effective in increasing urea production rates, although it led to a decrease in faradaic efficiency. However, the application of carbon black as the supporting layer proved advantageous when graphene and TiO₂ as the catalyst supports were used. TiO₂, in particular, showed promise as both the catalyst and supporting material, achieving an impressive 71% urea yield when combined with CoPc. Fe (III) tetrasulfophthalocyanine, in conjunction with the mixed IL binder, exhibited a high urea production rate but low yield.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».