Preparation of Composites of Nano-Silicon and Spherical Natural Graphite for Li-Ion Batteries By a Drop-in Technology
Notice bibliographique
Résumé
We will describe a methodology to prepare nano-Si / natural graphite composite using an established transformation manufacturing process without significant changes to the initial process flow, thus minimizing the cost of implementation. First, a baseline was established by investigating half-cells made with anode using a mixture of coated spherical natural graphite, nano-Si and LiPAA binder. Then, a composite of graphite / nano-Si was prepared by carbonizing a dry mixture of spherical graphite, nano-Si and petroleum pitch. The silicon content was below 20 wt.% toward graphite and the pitch-to-nano-Si was optimized. Following these guidelines, a series of Si/graphite composites were prepared by first performing a spheronization process to a dry mixture of natural graphite flakes, nano-Si and carbon precursors to disperse the silicon in the core and on the surface of the graphite matrix. Followed by a carbonization step to form the amorphous carbon coating simultaneously on the graphite and nano-Si surface. The morphology and chemical composition of the composites' surface was investigated using XPS, SEM and HRTEM and the possible formation of silicon oxides or carbides was evaluated by XRD. Tap density, surface area and PSD were performed to assess if the prepared powders reached the battery grade specifications. The composites show very high reversible capacity when evaluated in coin-type, Li-ion half cells.
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 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».