Visualization of Steady-State Ionic Concentration Profiles Formed in Electrolytes during Li-Ion Battery Operation and Determination of Mass-Transport Properties by <i>in Situ</i> Magnetic Resonance Imaging
Notice bibliographique
Résumé
Accurate modeling of Li-ion batteries performance, particularly during the transient conditions experienced in automotive applications, requires knowledge of electrolyte transport properties (ionic conductivity κ, salt diffusivity D, and lithium ion transference number t(+)) over a wide range of salt concentrations and temperatures. While specific conductivity data can be easily obtained with modern computerized instrumentation, this is not the case for D and t(+). A combination of NMR and MRI techniques was used to solve the problem. The main advantage of such an approach over classical electrochemical methods is its ability to provide spatially resolved details regarding the chemical and dynamic features of charged species in solution, hence the ability to present a more accurate characterization of processes in an electrolyte under operational conditions. We demonstrate herein data on ion transport properties (D and t(+)) of concentrated LiPF6 solutions in a binary ethylene carbonate (EC)-dimethyl carbonate (DMC) 1:1 v/v solvent mixture, obtained by the proposed technique. The buildup of steady-state (time-invariant) ion concentration profiles during galvanostatic experiments with graphite-lithium metal cells containing the electrolyte was monitored by pure phase-encoding single point imaging MRI. We then derived the salt diffusivity and Li(+) transference number over the salt concentration range 0.78-1.27 M from a pseudo-3D combined PFG-NMR and MRI technique. The results obtained with our novel methodology agree with those obtained by electrochemical methods, but in contrast to them, the concentration dependences of salt diffusivity and Li(+) transference number were obtained simultaneously within the single in situ experiment.
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 | 0,000 | 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 ».