Size and Surface Effects of Silicon Nanocrystals in Graphene Aerogel Composite Anodes for Lithium Ion Batteries
Notice bibliographique
Résumé
Silicon is recognized as a promising anode material for high-performance lithium ion batteries due to its high theoretical specific capacity and elemental abundance. Challenges related to the low electrical conductivity of Si and large volume changes during the lithiation/delithiation cycles, as well as the low rate of lithium diffusion in silicon anodes, hinder practical applications. To provide fundamental insights into these issues, silicon nanocrystal/graphene aerogel nanocomposites were synthesized by combining undecanoic acid-functionalized silicon nanocrystals of various sizes (SiX-COOH, where X represents the nanocrystal diameter of 3, 5, 8, and 15 nm) with conductive mesoporous graphene aerogels (GAs). The silicon nanocrystals are evenly dispersed throughout the graphene aerogel as shown by energy-dispersive X-ray (EDX) mapping. In terms of electrochemical performance, SiX-COOH/GA nanocomposites demonstrated a clear dependence on the size of the embedded silicon nanocrystals, with the composites comprising the larger silicon nanocrystals showing a higher initial capacity but accompanied by rapid decay of capacity retention over 100 cycles. To study the effect of thermal processing on the electrochemical performance, SiX-COOH/GA nanocomposites were annealed at 600 °C to yield annealed SiX/GA nanocomposites. The annealed nanocomposite composed of the smallest silicon nanocrystals, Si3/GA, exhibits a stable specific capacity of ∼1100 mAh/g and capacity retention of over 90% after 500 cycles when tested at a current density of 400 mA/g.
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) | 0,001 | 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 ».