MétaCan
Menu
← Retour à la cohorte
Enregistrement W7133023758

Pathways to Energy-efficient Chemical Upgrade via CO2 Electrolysis: Modulating the Microenvironment at Catalytic Sites

2024· dissertation· W7133023758 sur OpenAlexaff
Sungjin Park

Notice bibliographique

RevueTSpace · 2024
Typedissertation
Langue
DomaineEnergy
ThématiqueCO2 Reduction Techniques and Catalysts
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésCatalysisElectrochemical reduction of carbon dioxideElectrochemistryCarbon monoxideCarbon fibersFaraday efficiencyEthyleneFormateSyngasSelectivity
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The use of electricity to convert carbon into chemicals and fuels offers the potential to reduce the carbon intensity of hard-to-decarbonize sectors such as aviation fuel and chemical manufacturing. The electrochemical reduction of carbon dioxide (CO2R) can produce ethylene or ethanol, but present-day technology demands high energy. Enhancements in single-pass conversion efficiency (SPCE), Faradaic efficiency (FE), and cell voltage (V) are necessary to reduce cost, streamline product separation, and minimize carbon footprint.In this thesis, I tackle these challenges, designing catalysts that improve reactant gas transport, prevent overoxidation, and maintain active sites. Using electron microscopy, gas adsorption-desorption, and electrochemical characterization, catalysts' atomic structure, properties, and behavior are studied. Using operando Raman and X-ray absorption spectroscopy, the microenvironment of the catalyst is investigated during CO2R operation. Firstly, ligand-capped copper catalysts were synthesized and deployed in acidic CO2R towards the goal of selective ethylene production. Traditional copper catalysts in acidic conditions face the competing hydrogen evolution reaction (HER) due to the depletion of under-coordinated copper sites that are crucial for ethylene production. Monopod ligand-capped copper (Cu-1) demonstrates high ethylene selectivity due to hydrophobicity and strong binding affinity to copper, and preserves under-coordinated sites, this latter seen in operando spectroscopy. Next, I develop microporous carbon supports for efficient gas transport near catalytic sites. Carbon supports with varying nitrogen doping ratios and particle sizes affect ethanol and propanol selectivity. Introducing porous carbon supports controls local reactant gas concentrations, enhancing single-pass conversion efficiency to 85% and ethanol selectivity to 45% in the carbon monoxide reduction reaction (COR). Finally, aldehyde oxidation as an anodic reaction was explored to reduce cell voltage, an approach that takes advantage of low oxidation potentials and the anodic hydrogen evolution (a-HER). Previously-studied oxide-derived copper catalysts (OD-Cu) suffer from limited stability due to overoxidation. Gold-doped OD-Cu shows enhanced activity and stability, maintaining performance for over 10 hours at 350 mA/cm² due to resistance to overoxidation. Coupling a-HER with COR achieves 63% ethylene selectivity, 91% SPCE, and a cell voltage of 0.92 V at 400 mA/cm². A techno-economic assessment evaluates the low-carbon intensity system for sustainable chemicals production. Overall, this study points to the critical role of not only the catalyst, but also the electrochemical microenvironment – regulated by the catalyst support, the electrolyte, and the local environment operando – as key drivers of CO2 reduction performance.

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 enseignants0,002
Score d'incertitude au seuil0,005

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 savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,010
Tête enseignante GPT0,256
Écart entre enseignants0,246 · 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
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTSpace→Même sujetCO2 Reduction Techniques and Catalysts→Travaux en français237 207→