Einfluss von Eisenionen auf die Niedertemperatur CO<sub>2</sub> Elektrolyse
Bibliographic record
Abstract
Abstract Da die elektrochemische Umwandlung von CO 2 als Schlüsseltechnologie im Kampf gegen den Klimawandel betrachtet wird, werden erhebliche Maßnahmen eingesetzt um ihre Entwicklung zu beschleunigen. Der Vorteil der CO 2 Elektrolyse bei niedrigen Temperaturen im Gegensatz zu Hochtemperatur‐elektrolyseuren liegt in der Möglichkeit zur direkten Umsetzung von CO 2 zu technisch relevanten Chemikalien. Die Niedertemperatur‐CO 2 ‐Elektrolyse ist jedoch nur bei hoher Effizienz und Stabilität wirtschaftlich rentabel. Obwohl die verwendeten Zelldesigns Ähnlichkeiten mit den etablierten Brennstoff‐ oder auch den weiter entwickelten Wasser‐Elektrolyse‐Zellen aufweisen, müssen verschiedene Designaspekte und einzelne Komponenten adaptiert werden. Aufgrund der Komplexität des Gesamtsystems werden in der Entwicklung oftmals nur einzelne Zellkomponenten optimiert, ohne dass etwaige Einflussfaktoren, die im Zusammenspiel mit anderen Bestandteilen auftreten, berücksichtigt werden. Dass eine ganzheitliche Systembetrachtung bei der Optimierung von Niedertemperatur‐CO 2 ‐Elektrolyseuren notwendig ist, zeigt die Betrachtung des Einflusses von Eisenionen auf die Gesamtzelle deutlich, da nur so bspw. Kreuzkontaminierung gemieden werden kann. Da Eisenionen (Fe) als Verunreinigung omnipräsent sind, wurde ihr Einfluss auf einzelne Zellkomponenten schon vielfach untersucht. Die Zugabe von Eisen erhöht die Aktivität von Nichtedelmetallanoden, gleichzeitig aber tritt eine Verschlechterung der Kathodenaktivität ein und der Membranabbau wird katalysiert. Im Folgenden stellen wir anhand bestehender Literatur, die sich meist auf einzelne Komponenten fokussiert, den Einfluss von Fe‐Spezien in der CO 2 Elektrolyse‐Zelle ganzheitlich dar. Hierbei wird ersichtlich, dass das Zusammenspiel zwischen den einzelnen Bestandteilen bei der Zelloptimierung berücksichtigt werden muss.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 0.007 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".