MétaCan
Menu
Retour à la cohorte
Enregistrement W2255303235 · doi:10.1149/ma2015-02/6/492

The Use of Reduced Cost and Purity Precursors in the Melt Preparation of LiFePO<sub>4</sub>

2015· article· en· W2255303235 sur OpenAlexaff
Majid Talebi‐Esfandarani, Steeve Rousselot, M. Gauthier, Pierre Sauriol, Guoxian Liang, M. Dolle

Notice bibliographique

RevueECS Meeting Abstracts · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvancements in Battery Materials
Établissements canadiensPolytechnique MontréalUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceRaw materialElectrochemistryHydrothermal synthesisPrecipitationCathodeChemical engineeringBattery (electricity)Phase (matter)Hydrothermal circulationNanotechnologyElectrodeChemistryOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Different synthetic routes, such as solid state, sol-gel, hydrothermal, co-precipitation, and microwave preparations, have been used for preparing LiFePO4; (LFP) a key cathode material in lithium-ion battery applications. Usually it is necessary to use costly precursors with a high purity, such as FePO4 or FeC2O4, for the synthesis of LFP. In most methods secondary phases formed during synthesis, give rise to lower subsequent electrochemical capacities in the final product. The melt synthesis is an alternative, rapid and low-cost process proposed by Gauthier et al., and can be a promising method for the large scale preparation of LFP. This process combines ideal-liquid phase reaction with short dwell times and fast reaction kinetics in a reducing atmosphere. Our team made an effort to reduce the high manufacturing cost of LFP by using a melt synthesis, enabling the utilisation of lower purity and lower cost raw materials; namely iron ore concentrate as a source of iron. In this work, different synthesis conditions (such as iron precursors, stoichiometric ratios, and solidification processes) are optimized to obtain a low cost carbon-coated LFP with a high purity and excellent electrochemical properties.

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 seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,046
Tête enseignante GPT0,280
Écart entre enseignants0,233 · 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

Citations2
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueECS Meeting AbstractsMême sujetAdvancements in Battery MaterialsTravaux en français237 207