MétaCan
Menu
Retour à la cohorte
Enregistrement W2296342174 · doi:10.1021/acs.nanolett.6b00334

Accelerated Removal of Fe-Antisite Defects while Nanosizing Hydrothermal LiFePO<sub>4</sub> with Ca<sup>2+</sup>

2016· article· en· W2296342174 sur OpenAlexaff
Andrea Paolella, Stuart Turner, Giovanni Bertoni, Pierre Hovington, Roxana Flacau, Chad Boyer, Zimin Feng, Massimo Colombo, Sergio Marras, Mirko Prato, Liberato Manna, Abdelbast Guerfi, George P. Demopoulos, Michel Armand, Karim Zaghib

Notice bibliographique

RevueNano Letters · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvancements in Battery Materials
Établissements canadiensMcGill UniversityAtomic Energy (Canada)Canadian Nuclear LaboratoriesHydro-Québec
Organismes subventionnairesVlaamse regeringFonds Wetenschappelijk Onderzoek
Mots-clésNucleationHydrothermal circulationMaterials scienceTransmission electron microscopyHydrothermal synthesisCrystallographyCrystal (programming language)IonChemical engineeringCarbon fibersNanotechnologyChemistryComposite material

Résumé

récupéré en direct d'OpenAlex

Based on neutron powder diffraction (NPD) and high angle annular dark field scanning transmission electron microscopy (HAADF-STEM), we show that calcium ions help eliminate the Fe-antisite defects by controlling the nucleation and evolution of the LiFePO4 particles during their hydrothermal synthesis. This Ca-regulated formation of LiFePO4 particles has an overwhelming impact on the removal of their iron antisite defects during the subsequent carbon-coating step since (i) almost all the Fe-antisite defects aggregate at the surface of the LiFePO4 crystal when the crystals are small enough and (ii) the concomitant increase of the surface area, which further exposes the Fe-antisite defects. Our results not only justify a low-cost, efficient and reliable hydrothermal synthesis method for LiFePO4 but also provide a promising alternative viewpoint on the mechanism controlling the nanosizing of LiFePO4, which leads to improved electrochemical performances.

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 candidatesMéta-épidémiologie (sens strict)
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 enseignants0,019
Score d'incertitude au seuil1,000

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 ouverte0,0000,000
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 Opus0,011
Tête enseignante GPT0,205
Écart entre enseignants0,193 · 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.

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

Citations71
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNano LettersMême sujetAdvancements in Battery MaterialsTravaux en français237 207