Ultrasound assisted wet stirred media mill of high concentration LiFePO<sub>4</sub> and catalysts
Notice bibliographique
Résumé
Abstract Wet media mills grind solids to the nanometric size and the performance of the mills depends on solids loading, particle morphology, surfactant concentration, and material characteristics. As the particle size decreases, they tend to form clusters that reduce the grinding efficiency. Ultrasound deagglomerates these clusters thereby increasing efficiency but, surprisingly, it can operate at higher solids concentrations. We processed suspensions of (LFP) with a yttria stabilized zirconia media with a size from 0.3 mm to 0.4 mm, and surfactant‐to‐LFP mass ratio 0.008. The combined method ground the particle size from 35 m down to 0.2 m in 90 min with a throughput of 0.68 /h. We also tested the improved wet media milling on two catalysts: ( and vanadyl pyrophosphate (VPP) precursor) to confirm the trends. We adopt a model for the steady state and repeatable micronizing process with ultrasonic assistance. According to TEM imaging the catalyst primary particles (20 nm) are much smaller than the agglomerated ones measured by laser diffraction (470 nm). VPP precursor slurry is normally an unstable suspension that is hard to mill. It formed agglomerates with recrystallized silica and VPP flocculation. The ultrasound‐assisted wet milling technique produced nanometer scale particles (180 nm), which is otherwise impossible. We developed and updated the steady state micronizing process with ultrasonic assistance using a simplified population balance model. The model accounts for of the variance in the experimental data.
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 ».