MétaCan
Menu
Retour à la cohorte
Enregistrement W2908386191 · doi:10.1149/ma2018-02/4/184

Characterization of Lithium in Batteries with EDS and EELS

2018· article· en· W2908386191 sur OpenAlexaff
Raynald Gauvin, Nicolas Brodusch, Frédéric Voisard, George P. Demopoulos, Michel L. Trudeau, Karim Zaghib

Notice bibliographique

RevueECS Meeting Abstracts · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueExtraction and Separation Processes
Établissements canadiensHydro-QuébecMcGill University
Organismes subventionnairesnon disponible
Mots-clésCharacterization (materials science)Lithium (medication)SpectroscopyScanning transmission electron microscopyElectron energy loss spectroscopyMaterials scienceResolution (logic)Field electron emissionDetectorBattery (electricity)Emission spectrumTransmission electron microscopyAnalytical Chemistry (journal)ElectronOpticsNanotechnologyChemistryPhysicsSpectral lineComputer scienceNuclear physics

Résumé

récupéré en direct d'OpenAlex

This paper will present start of the art characterization of Lithium in battery materials using energy dispersive spectroscopy (EDS) and electron energy loss spectroscopy (EELS) at 30 keV with the state of the art field emission scanning transmission electron microscope (FE-STEM) Hitachi SU-9000EA. This microscope has a resolution of 0,22 nm in bright field imaging at 30 keV. It has the extreme EDS detector from Oxford that allows the detection of the Ka line of Lithium. It has a EELS system with 0.5 eV resolution that allows to map the chemical state of Li in various materials. Examples of applications of these techniques will be presented as well as the challenges and limitations for Lithium characterization.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,128
Score d'incertitude au seuil0,254

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,221
Écart entre enseignants0,212 · 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 tête enseignante, 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

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueECS Meeting AbstractsMême sujetExtraction and Separation ProcessesTravaux en français237 207