MétaCan
Menu
Retour à la cohorte
Enregistrement W2328091347 · doi:10.1021/cm504042s

Bioinspired Synthesis of Hierarchical Porous Graphitic Carbon Spheres with Outstanding High-Rate Performance in Lithium-Ion Batteries

2014· article· en· W2328091347 sur OpenAlexaff
Suxi Wang, Shilin Chen, Qiliang Wei, Xikui Zhang, Siew Yee Wong, Shuhui Sun, Xu Li

Notice bibliographique

RevueChemistry of Materials · 2014
Typearticle
Langueen
DomaineMaterials Science
ThématiqueSupercapacitor Materials and Fabrication
Établissements canadiensInstitut National de la Recherche Scientifique
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceCarbon fibersAnodeLithium (medication)NanotechnologyChemical engineeringMesoporous materialGraphitePorosityElectrochemistryHeteroatomPyrolysisElectrodeCatalysisComposite materialChemistryOrganic chemistryComposite numberAlkyl

Résumé

récupéré en direct d'OpenAlex

Inspired by the biomineralization of unicellular diatoms, a biomimetic approach based on template (pluronic F127 micelle cluster)-induced self-assembly of α-cyclodextrin is developed to create hierarchical porous graphitic carbon spheres via hydrothermal treatment followed by pyrolysis. The as-obtained carbon spheres combine the features required for high-power electrode materials in lithium-ion batteries (LIBs), such as high degree of graphitization, large surface area with hierarchically distributed pore sizes as well as doping with heteroatoms, which synergistically contribute to their impressive electrochemical properties. When applied as an anode for LIBs, the carbon spheres exhibit high reversible capacity (ca. 700 mA h g –1 at 50 mA g –1 ), good cycling stability, and remarkably outstanding high-rate performance (ca. 600, 450, and 290 mA h g –1 obtained at a current density of 1, 10, and 30 A g –1, respectively), which is among the best of present pure carbon materials for LIBs applications. The fabrication process is straightforward and cost-effective, providing a new methodology for the tailored design of carbon materials with enhanced power densities for energy storage applications.

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 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 enseignants0,013
Score d'incertitude au seuil0,734

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
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 Opus0,009
Tête enseignante GPT0,196
Écart entre enseignants0,187 · 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

Citations87
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueChemistry of MaterialsMême sujetSupercapacitor Materials and FabricationTravaux en français237 207