Towards Improving the Practical Energy Density of Li-Ion Batteries: Optimization and Evaluation of Silicon:Graphite Composites in Full Cells
Notice bibliographique
Résumé
Increasing the energy density of Li-ion batteries is very crucial for the success of electric vehicles, grid-scale energy storage, and next-generation consumer electronics. One popular approach is to incrementally increase the capacity of the graphite anode by integrating silicon into composites with capacities between 500 and 1000 mAh/g as a transient and practical alternative to the more-challenging, silicon-only anodes. In this work, we have calculated the percentage of improvement in the capacity of silicon:graphite composites and their impact on energy density of Li-ion full cell. We have used the Design of Experiment method to optimize composites using data from half cells, and it is found that 16% improvements in practical energy density of Li-ion full cells can be achieved using 15 to 25 wt% of silicon. However, full-cell assembly and testing of these composites using LiNi 0.5 Mn 0.5 Co 0.5 O 2 cathode have proven to be challenging and composites with no more than 10 wt% silicon were tested giving 63% capacity retention of 95 mAh/g at only 50 cycles. The work demonstrates that introducing even the smallest amount of silicon into graphite anodes is still a challenge and to overcome that improvements to the different components of the Li-ion battery are required.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».