MétaCan
Menu
Retour à la cohorte
Enregistrement W2902945213 · doi:10.1149/ma2018-02/5/304

Thin Film Surface Coatings for Improved Lithium Metal Cycling Efficiency: A Combinatorial Approach

2018· article· en· W2902945213 sur OpenAlexaff
Matthew Genovese, J. R. Dahn

Notice bibliographique

RevueECS Meeting Abstracts · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Battery Materials and Technologies
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésLithium (medication)AnodeMaterials scienceElectrochemistryElectrolyteElectrodePlating (geology)NanotechnologySpecific energyDeposition (geology)Chemical engineeringMetalMetallurgyChemistry

Résumé

récupéré en direct d'OpenAlex

There is a continual push to improve the energy density of lithium-ion batteries, but this is becoming increasingly difficult as it is believed that many of the best electrode materials have been found and optimized. In order to achieve higher energy densities to meet future storage demands it may be necessary to move “beyond lithium-ion”. Recent research efforts have focused on reviving the lithium metal negative electrode as a potential path to higher energy density.[1] With its high theoretical capacity and lowest reduction potential among metals, using lithium as a negative electrode can certainly increase the energy density of a cell provided the large volume changes of the lithium electrode between the charged and discharged states can be handled. In addition, lithium metal anodes often demonstrate dendrite formation during electrodeposition instead of plating as a smooth film. Since conventional organic electrolytes are thermodynamically unstable to reduction by lithium, dendrite growth leads to continual loss of active lithium, resulting in poor cycling efficiencies (< 90%) and short cell lifetime.[2] These problems are exaggerated as the thickness of the plated lithium increases, making cells with industrially relevant material loadings a significant challenge. Recent studies have shown that the morphology and plating efficiency of lithium can be greatly improved with nanostructured surface coatings. [3],[4] Herein we report on the use of combinatorial materials analysis to investigate the effect of different nanostructured surface coatings on the electrochemical deposition of lithium metal. Custom 64-channel electrochemical cell plates were used along with a combinatorial electrochemical cell to provide an efficient means of screening different electrode coatings. Figure 1 shows a schematic of the 64-channel cell plate as well as the output cyclic voltammograms (CVs) from potentiodynamic lithium plating and stripping on 64 unmodified copper electrodes. All 64 channels show consistent output which was validated against conventional coin type lithium half cells. High throughput sputtering was used to make libraries of thin films with different composition, structure, and thickness. These sputtered libraries were deposited directly on the 64-channel cell plates and used to analyze the morphology and coulombic efficiency of lithium plating as a function of the 64 individual surface coatings. The influence of different electrolyte compositions with these surface coatings was also investigated. These results provide perspective regarding the value of different thin film anode surface coatings as part of a broad strategy for achieving high (>98 %) lithium metal cycling efficiencies. [1] X. Cheng et al., Toward safe lithium metal anode in rechargeable batteries: a review, Chemical reviews, 117 (2015), 10403-10473. [2] Q. Pang, et al. "An In Vivo Formed Solid Electrolyte Surface Layer Enables Stable Plating of Li Metal." Joule 1, (2017): 871-886. [3] Adam P. Cohn et al., Anode-Free Sodium Battery through in Situ plating of Sodium Metal, Nano Letters, 17, (2017) 1296-1301. [4] G. Zheng et al., Interconnected hollow carbon nanospheres for stable lithium metal anodes, Nature Nanotechnology 9, (2014), 618-623. Figure 1

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,230
Écart entre enseignants0,218 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueECS Meeting AbstractsMême sujetAdvanced Battery Materials and TechnologiesTravaux en français237 207