MétaCan
Menu
← Retour à la cohorte
Enregistrement W2346498377 · doi:10.1149/ma2016-03/2/993

The Significant Influence of the Conductive Carbon Additive on the Performance of High Areal Capacity Silicon Electrodes

2016· article· en· W2346498377 sur OpenAlexaff
Zouina Karkar, Driss Mazouzi, Cuauhtémoc Reale Hernandez, Lionel Roué, Dominique Guyomard, Bernard Lestriez

Notice bibliographique

RevueECS Meeting Abstracts · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvancements in Battery Materials
Établissements canadiensInstitut National de la Recherche Scientifique
Organismes subventionnairesnon disponible
Mots-clésSiliconMaterials scienceElectrodeAnodeGraphiteGravimetric analysisCurrent collectorElectrolyteNanotechnologyElectrical conductorComposite materialChemical engineeringOptoelectronicsChemistry

Résumé

récupéré en direct d'OpenAlex

The constant demand for lithium-ion batteries with higher energy density requires finding new electrode materials. Silicon-based electrodes are particularly attractive due to the higher gravimetric capacity of Si (3579 mAh g-1) compared to conventionally used graphite (372 mAh g-1). However, during the process of lithiation/delithiation, the silicon material suffers from a huge volume change, leading to the fracturing of the silicon particles, an unstable solid electrolyte interphase layer (SEI) and the disconnection of inter-particle contacts, which all have a negative repercussion on the electrode cycle life. Another serious challenge for commercializing silicon electrodes is to reach a high areal capacity of more than 6 mAh cm-2, in order to achieve an energy density improvement over the use of conventional graphite-based anodes. Silicon electrodes with such high areal capacity require very careful design of their formulation at different scales. In particular, a special attention must be paid to creating durable intimate contacts between the active material particles and the conductive additive network, so that sufficient electron transfer could be achieved throughout the electrode from the copper current collector while good mechanical stability of the electrode coating is still maintained.1 Our group has recently shown that high performance silicon-based anodes can be achieved by combining (i) the use of high-energy ball-milling as a cheap and easy process to produce nanostructured silicon powder, (ii) the processing of the electrode with carboxymethylcellulose (CMC) binder at pH 3 condition, which promotes the covalent grafting of the CMC to the Si particles; (iii) the use of fluoroethylene and vinylene carbonates (FEC/VC) electrolyte additives resulting in a more stable SEI.2 In the present work, silicon-based electrodes of various areal capacities were prepared by using either carbon black, vapor grown carbon nanofibers, or graphite nanoplatelets as conductive additive.3 It was observed that the electrical conductivity, capacity retention, and coulombic efficiency of the silicon electrode are significantly affected by the morphological characteristics of the used carbon additives. Spherical-shaped carbon black particles have a strong tendency to agglomerate, and thus fail in creating a conductive network resilient to the silicon particle volume change. In contrast, vapor grown carbon nanofibers maintain more durable contacts with silicon particles, compared to carbon black, by forming a more resilient conductive network due to their wire-like structure.4 Graphite nanoplatelets also create a continuous conductive network, which limits the mechanical degradation of the electrode coating, likely by playing the role of electrically conducting lubricant.5These results demonstrate that the choice of the conductive additive is of crucial importance for the optimization of silicon negative electrodes with commercially relevant areal capacities. References (1) Mazouzi, D.; Karkar, Z.; Reale Hernandez, C.; Jimenez Manero, P.; Guyomard, D.; Roué, L.; Lestriez, B. J. Power Sources 2015, 280, 533–549. (2) Gauthier, M.; Mazouzi, D.; Reyter, D.; Lestriez, B.; Moreau, P.; Guyomard, D.; Roué, L. Energy Environ. Sci. 2013, 6(7), 2145. (3) Karkar, Z.; Mazouzi, D.; Reale Hernandez, C.; Guyomard, D.; Roué, L.; Lestriez, B., Submitted (4) Lestriez, B.; Desaever, S.; Danet, J.; Moreau, P.; Plée, D.; Guyomard, D. Electrochem. Solid-State Lett. 2009, 12(4), A76. (5) Nguyen, B. P. N.; Gaubicher, J.; Lestriez, B. Electrochim. Acta 2014, 120, 319–326. Figure 1

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)0,002
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 enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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 Opus0,012
Tête enseignante GPT0,206
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; 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

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueECS Meeting Abstracts→Même sujetAdvancements in Battery Materials→Travaux en français237 207→