MétaCan
Menu
Retour à la cohorte
Enregistrement W7106250568 · doi:10.1021/acs.energyfuels.5c04557

Salty Silicon Synthesis: Enabling Fast and Scalable Hydrogen Generation from Porous Silicon

2025· article· en· W7106250568 sur OpenAlexafffund

Notice bibliographique

RevueEnergy & Fuels · 2025
Typearticle
Langueen
DomaineMaterials Science
ThématiqueSilicon Nanostructures and Photoluminescence
Établissements canadiensDalhousie University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaResearch Nova ScotiaKillam TrustsCanada Foundation for Innovation
Mots-clésSiliconHydrogen productionHydrogenPorous siliconScrapEtching (microfabrication)AluminiumPorosityHydrofluoric acid

Résumé

récupéré en direct d'OpenAlex

Porous silicon (p-Si) is a promising material for diverse green energy applications, including its use as a negative electrode in lithium-ion batteries, solar-driven fuel production, and on-demand hydrogen generation. Conventional production methods involve the use of hydrofluoric acid etching of bulk Si or magnesiothermic reduction of silica, which are limited by hazards, wastefulness, or risk of thermal runaway. Aluminum metal offers a safer, more sustainable alternative to magnesium, as it is abundant in scrap sources and easily recycled. However, existing aluminothermic reduction methods typically require AlCl 3 salt, which is volatile, difficult to recycle, and demands long reaction times. This study explores a salt-mediated approach using a 1:1 weight mixture of NaCl and KCl to facilitate the reduction of fumed SiO 2 with aluminum metal. This process yields ∼83% p-Si after just 1 h at 850 °C. The resulting material exhibits high reactivity, producing up to 1476 ± 51 mL of hydrogen per gram of Si within ∼5 min, using various water sources including seawater. These findings demonstrate a safer, faster, and more scalable route to functional p-Si for on-demand hydrogen generation and other sustainable energy applications.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,222
Écart entre enseignants0,212 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergy & FuelsMême sujetSilicon Nanostructures and PhotoluminescenceTravaux en français237 207