MétaCan
Menu
Retour à la cohorte
Enregistrement W2326775969 · doi:10.1021/acsami.6b00288

Improving the High-Voltage Li<sub>2</sub>FeMn<sub>3</sub>O<sub>8</sub> Cathode by Chlorine Doping

2016· article· en· W2326775969 sur OpenAlexfundno aff
Jiaqi Dai, Lihui Zhou, Xiaogang Han, Marcus Carter, Liangbing Hu

Notice bibliographique

RevueACS Applied Materials & Interfaces · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvancements in Battery Materials
Établissements canadiensnon disponible
Organismes subventionnairesAdvanced Research Projects AgencyAdvanced Research Projects Agency - EnergyUniversity of CalgaryU.S. Department of Energy
Mots-clésCathodeMaterials scienceElectrochemistryDopingX-ray photoelectron spectroscopyHigh voltageOxideVoltageOptoelectronicsAnalytical Chemistry (journal)Chemical engineeringElectrical engineeringElectrodePhysical chemistryChemistryMetallurgy

Résumé

récupéré en direct d'OpenAlex

High-capacity and high-voltage cathode materials are desirable for high-energy-density lithium ion batteries. Among various cathode materials, Li2FeMn3O8 is attractive due to its high working voltage, low toxicity, and low cost. However, its superior electrochemical properties are significantly limited by the intrinsic defects in the Li2FeMn3O8 cathode, which makes the theoretical working voltage (4.9 V) and capacity (148 mAh/g) hard to reach. In this paper, we demonstrated that Cl doping can effectively increase the capacity and working voltage of the Li2FeMn3O8 cathode. X-ray photoelectron spectroscopy reveals that Cl doping reduced the valence state and increased the electron binding energy in cations and thus increased the voltage and enhanced the capacity of the Li2FeMn3O8 cathode. Our results also indicate that Cl doping can be a promising low-cost method to improve the electrochemical performance of various oxide cathode materials, including LiCoO2 and LiMn2O4.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict)
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 enseignants0,016
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,008
Tête enseignante GPT0,202
Écart entre enseignants0,194 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations25
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueACS Applied Materials & InterfacesMême sujetAdvancements in Battery MaterialsTravaux en français237 207