Role of flower-like ultrathin Co<sub>3</sub>O<sub>4</sub> nanosheets in water splitting and non-aqueous Li–O<sub>2</sub> batteries
Notice bibliographique
Résumé
The oxygen reduction reaction (ORR) and oxygen evolution reaction (OER) are both fundamental and essential processes for various energy conversion and storage systems. The kinetics of ORR and OER play a critical role in their energy efficiency and practicality. Here, flower-like ultrathin Co3O4 nanosheets synthesized through a facile solvothermal technique were studied as a bifunctional catalyst for both water splitting and non-aqueous Li-O2 batteries. Due to the novel structure and highly active {110} and {100} exposed facets, which can effectively facilitate mass transfer and enhance catalytic capability, Co3O4 nanosheets exhibit better stability and higher ORR/OER activity than Co3O4 nanoparticles, Co3O4 bulks, Pt/C, and RuO2 in alkaline solution. More importantly, Li-O2 batteries with ultrathin Co3O4 nanosheets catalyst can enhance the initial discharge capacity from 6400 to 8600 mA h g-1 and improve the cyclability up to 160 cycles at 500 mA g-1. Unexpectedly, XRD and UV/Vis techniques suggest that the main product in Co3O4 nanosheets based cathodes is LiOH, with resulting LiOH also demonstrating reversible formation/decomposition behavior, rather than Li2O2 in pure Super P based cathodes. Further investigation confirms that Co3O4 can also catalyze the electrolyte decomposition responsible for the formation of LiOH, and a reaction mechanism was illustrated. This work highlights that the traditional high-efficiency bifunctional catalyst in aqueous media may not be suitable for non-aqueous Li-O2 batteries, and the effect of catalyst on electrolyte besides the discharge product should also be carefully considered for the design of more stable and practical Li-O2 systems.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 ».