Recent Advances in Fe‐Free M–N–C Catalysts for Oxygen Reduction Reaction

催化作用 氧还原反应 反应性(心理学) 纳米技术 过渡金属 材料科学 铂金 金属 碳纤维 降级(电信) 化学 化学工程 计算机科学 电化学 物理化学 冶金 有机化学 工程类 复合材料 病理 替代医学 复合数 电信 医学 电极
作者
Xinlong Tian,Yuxian Duan,Min Chen,Li‐Zhi Gao,Hongxian Luo,Yichi Guan,Yu Zhou,Junming Luo,Ruisong Li,Daoxiong Wu,Zhengpei Miao,Chongtai Wang
出处
期刊:Chemsuschem [Wiley]
卷期号:18 (15): e202500430-e202500430 被引量:1
标识
DOI:10.1002/cssc.202500430
摘要

Atomically dispersed metal–nitrogen–carbon (M–N–C) materials, characterized by well‐defined coordination structures, have emerged as promising candidates to supersede costly platinum‐based catalysts for the oxygen reduction reaction (ORR). Although Fe–N–C catalysts exhibit the highest ORR activity among Pt‐free systems, their practical application is hindered by durability challenges stemming from Fenton reaction‐induced degradation. Fe‐free M–N–C catalysts (MCo, Mn, Ni, etc.), which mitigate Fenton reactivity, have attracted significant attention; however, their catalytic activities remain markedly lower than those of Fe‐based counterparts. Critical uncertainties persist in establishing structure–activity–stability relationships, particularly regarding the interplay between coordination architecture engineering, single‐atom site density, and overall catalytic performance. This review critically examines ORR mechanisms underpinning M–N–C systems, evaluates innovative strategies to decouple activity and stability in Fe‐free catalysts, and proposes frameworks to translate atomic‐scale materials into enhanced device‐level performance. Finally, a multidisciplinary roadmap integrating advanced synthesis, operando diagnostics, and machine learning to speed up the development of durable, high‐performance ORR electrocatalysts is proposed.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
PDF的下载单位、IP信息已删除 (2025-6-4)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
建议保存本图,每天支付宝扫一扫(相册选取)领红包
实时播报
刚刚
芝芝完成签到,获得积分10
1秒前
Lucky完成签到 ,获得积分10
4秒前
xgx984发布了新的文献求助10
4秒前
5秒前
老金喵发布了新的文献求助10
5秒前
7秒前
ding应助呦呦采纳,获得10
7秒前
8秒前
浮游应助生动哈密采纳,获得10
9秒前
Mexsol完成签到,获得积分10
9秒前
turbohero完成签到,获得积分10
10秒前
关关完成签到 ,获得积分10
11秒前
危机发布了新的文献求助10
11秒前
dadabad完成签到 ,获得积分10
11秒前
Charles发布了新的文献求助10
11秒前
浮游应助yuhanz采纳,获得10
12秒前
斯文雪青发布了新的文献求助10
13秒前
summer完成签到 ,获得积分10
13秒前
13秒前
cc发布了新的文献求助10
13秒前
可爱的妙海完成签到,获得积分10
14秒前
虫子发布了新的文献求助10
14秒前
蓝冰完成签到,获得积分10
16秒前
18秒前
19秒前
林圆涛完成签到,获得积分10
19秒前
Mexsol发布了新的文献求助10
20秒前
娅娃儿完成签到 ,获得积分10
20秒前
HZZ完成签到,获得积分10
20秒前
SciGPT应助0001采纳,获得10
21秒前
21秒前
fuxiao完成签到 ,获得积分0
22秒前
虫子完成签到,获得积分10
23秒前
淡定自中发布了新的文献求助10
23秒前
浮游应助生动哈密采纳,获得10
23秒前
木木林姐姐完成签到 ,获得积分10
26秒前
26秒前
萧萧应助自信的书南采纳,获得10
27秒前
852应助小健采纳,获得10
28秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
List of 1,091 Public Pension Profiles by Region 1541
Binary Alloy Phase Diagrams, 2nd Edition 600
Atlas of Liver Pathology: A Pattern-Based Approach 500
A Technologist’s Guide to Performing Sleep Studies 500
Latent Class and Latent Transition Analysis: With Applications in the Social, Behavioral, and Health Sciences 500
Using Genomics to Understand How Invaders May Adapt: A Marine Perspective 400
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 生物化学 物理 纳米技术 计算机科学 内科学 化学工程 复合材料 物理化学 基因 遗传学 催化作用 冶金 量子力学 光电子学
热门帖子
关注 科研通微信公众号,转发送积分 5499138
求助须知:如何正确求助?哪些是违规求助? 4596150
关于积分的说明 14452711
捐赠科研通 4529291
什么是DOI,文献DOI怎么找? 2481892
邀请新用户注册赠送积分活动 1465918
关于科研通互助平台的介绍 1438802