MétaCan
Menu
Retour à la cohorte
Enregistrement W2175539453 · doi:10.1038/ncomms9597

Evidence of covalent synergy in silicon–sulfur–graphene yielding highly efficient and long-life lithium-ion batteries

2015· article· en· W2175539453 sur OpenAlexafffund
Fathy M. Hassan, Rasim Batmaz, Jingde Li, Xiaolei Wang, Xingcheng Xiao, Aiping Yu, Zhongwei Chen

Notice bibliographique

RevueNature Communications · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvancements in Battery Materials
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of WaterlooMcMaster UniversityU.S. Department of Energy
Mots-clésGrapheneMaterials scienceFaraday efficiencyElectrolyteLithium (medication)SiliconAnodePolyacrylonitrileBattery (electricity)ElectrodeNanotechnologyNanoparticleChemical engineeringChemistryOptoelectronicsPolymerPower (physics)Composite material

Résumé

récupéré en direct d'OpenAlex

Silicon has the potential to revolutionize the energy storage capacities of lithium-ion batteries to meet the ever increasing power demands of next generation technologies. To avoid the operational stability problems of silicon-based anodes, we propose synergistic physicochemical alteration of electrode structures during their design. This capitalizes on covalent interaction of Si nanoparticles with sulfur-doped graphene and with cyclized polyacrylonitrile to provide a robust nanoarchitecture. This hierarchical structure stabilized the solid electrolyte interphase leading to superior reversible capacity of over 1,000 mAh g(-1) for 2,275 cycles at 2 A g(-1). Furthermore, the nanoarchitectured design lowered the contact of the electrolyte to the electrode leading to not only high coulombic efficiency of 99.9% but also maintaining high stability even with high electrode loading associated with 3.4 mAh cm(-2). The excellent performance combined with the simplistic, scalable and non-hazardous approach render the process as a very promising candidate for Li-ion battery technology.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,237
Score d'incertitude au seuil0,573

Scores Codex et Gemma par catégorie

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

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 Opus0,044
Tête enseignante GPT0,302
Écart entre enseignants0,258 · 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 tête enseignante, 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

Citations203
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNature CommunicationsMême sujetAdvancements in Battery MaterialsTravaux en français237 207