Electrochemical and Thermal Characterization of a Graphene-Based Electrochemical Double-Layer Capacitor (EDLC)
Notice bibliographique
Résumé
Graphene-based electrodes are of great interest for developing high performance electrochemical double-layer capacitors (EDLCs) due to their excellent electrochemical properties, low electric resistance and unique structures. Meanwhile, EDLCs have become more attractive not only to offer high power and energy densities but also to withstand a harsh temperature ranges [1]. Since temperature effects can be crucial to estimate the rational evaluation of degradation, energy efficiency and lifetime, it requires better understanding of temperature-dependent electrochemical properties especially at electrode/electrolyte interfaces. In this study, the performance of an EDLC, assembled with two identical graphene electrodes and the 1M Et 4 NBF 4 /PC electrolyte in a coin cell, is systemically characterized under various operating temperature conditions, ranged from -30 °C to 60 °C. Graphene deposition is carried out by using the vacuum filtration method. This method yields an electrically strong conductive and thermally stable nano-structured graphene paper [2]. Electrochemical characterization techniques including cyclic voltammetry (CV), constant charging/discharging (CCD) and electrochemical impedance spectroscopy (EIS) are performed to evaluate capacitance retention, energy and power densities, internal resistance variation and interfacial processes at the double-layer region. In addition, EIS data is simulated with the proposed electric equivalent circuit in order to investigate the temperature dependency on interfacial reactions with respects to mass transfer (diffusion) and electrode kinetics (charge transfer) [3]. Each reaction is represented by electrical resistive elements in the equivalent circuit, and its values are correlated with the activation energy to quantitatively rationalize the observed behaviour of diffusion and the charge transfer kinetics with temperature. References: [1] R. Kotz, M. Hahn, R. Gallay, Journal of Power Sources, 154 (2006) 550-555. [2] H. Chen, M.B. Mueller, K.J. Gilmore, G.G. Wallace, D. Li, Advanced Materials, 20 (2008) 3557. [3] J.W. Jinhee Kang, Shesha H. Jayaram, Aiping Yu, Xiaohui Wang, Electrochimica Acta, 115 (2014) 587-598.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».