Influence of Cu(111) and Ni(111) Substrates on the Capacitances of Monolayer and Bilayer Graphene Supercapacitor Electrodes
Notice bibliographique
Résumé
The quantum capacitance model based on graphene’s fixed-band density of states (DOS) is one of the most popular approaches to modeling the capacitive behavior of graphene-based supercapacitor electrodes. This model, however, consistently overestimates the capacitance of graphene electrodes by an order of magnitude compared to experimental measurements. Moreover, the influence of conducting substrates used as electrical contacts for graphene is typically excluded altogether by its representation as an infinite capacitance connected in series with the quantum capacitance of pristine graphene. This is despite the significant change in the electrode’s total DOS because of graphene’s adsorption to the substrate. Using insights from density functional theory calculations, we present a general model for calculating electrode capacitance based on space charge distribution in graphene–metal junctions. The model predicts capacitance values ranging between 1.4 and 1.7 μF cm –2 for graphene on Cu(111) and Ni(111), which match closely with the experimentally reported range of 2–6 μF cm –2 . The model also predicts a constant capacitance for monolayer and bilayer graphene on Cu(111) and Ni(111), which challenges the popular assumption that the slightly field-tunable capacitance observed in practical supercapacitors can be attributed to the quantum capacitance of graphene in isolation from interactions with substrates and electrolytes.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».