Carbon Nitride Nanofibres with Exceptional Lithium Storage Capacity: From Theoretical Prediction to Experimental Implementation
Notice bibliographique
Résumé
Abstract Graphitic carbon nitride nanosheet (i.e., g‐C3N4) is identified as a suitable graphene analogue due to its high theoretical capacity, wider and vacant structure, and easy synthesis method. Currently, g‐C3N4 nanosheet has limited application in lithium‐ion batteries (LIBs) which is mainly due to the lack of effective intercalation/deintercalation reaction sites, the high binding energy of the Li to the nanosheet, and insufficient conductivity and stability. Density functional theory calculation predicts that the edges of g‐C3N4 fibre have a suitable adsorption energy and bestow a balanced adsorption force and desorption freedom to Li. In order to verify this prediction, g‐C3N4 nanofibre is synthesized with the edges and pores, as well as higher pyridinic nitrogen content, using a simple polymerization/polycondensation method. The as‐prepared g‐C3N4 fibre delivers a remarkable specific capacity of 181.7 mAh g−1, as well as extraordinary stability and power density. At a high rate of 10C, the g‐C3N4 fibre still has a specific capacity of 138.6 mAh g−1 even after 5000 cycles, being the best‐performing g‐C3N4 electrode so far in literature. This work is exemplary in combining theoretical computing and experimental techniques in designing the next generation of electroactive materials for LIBs.
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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».