MétaCan
Menu
Retour à la cohorte
Enregistrement W2938710930 · doi:10.1063/1.5079233

Calibration process for rechargeable cell and battery test systems

2019· article· en· W2938710930 sur OpenAlexafffund
Michael D. Fleischauer, D. Tang, Balazs Gyenes, Brian C. Olsen, Aliesha D. Johnson

Notice bibliographique

RevueReview of Scientific Instruments · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Battery Technologies Research
Établissements canadiensNational Institute for NanotechnologyUniversity of Alberta
Organismes subventionnairesNational Research Council Canada
Mots-clésFaraday efficiencyBattery (electricity)CalibrationComputer scienceVoltageProcess (computing)Measure (data warehouse)Materials scienceElectrolyteNuclear engineeringElectrodeElectrical engineeringPhysicsPower (physics)

Résumé

récupéré en direct d'OpenAlex

Coulombic efficiency is a powerful metric for evaluating the performance of materials in rechargeable cells and batteries. The ideal Coulombic efficiency, the ratio of charge removed to charge inserted, is unity. Some specialized systems can accurately measure cell capacity and Coulombic efficiency within 0.001%, which requires precise control and measurement of current, voltage, time, and temperature. Most battery electrode and electrolyte research is not performed with such precise but complex systems. The purpose of this paper is to demonstrate a simple, robust procedure to measure and possibly improve the accuracy of capacity and Coulombic efficiency measurements on standard systems in their as-used state. This approach is built on a commercially available thin film rechargeable cell for micro or milliampere currents and can be extended to, e.g., 18 650, cells for higher currents. An improved method to display Coulombic efficiency data is also presented. Regular, consistent calibration of testing systems and reporting of system resolution at specified test conditions is encouraged.

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)0,004
score de la tête « metaresearch » (Gemma)0,011
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: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,011
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0040,002
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0100,009

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 Opus0,023
Tête enseignante GPT0,279
Écart entre enseignants0,256 · 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
GenreMéthodes

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

En bref

Citations2
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueReview of Scientific InstrumentsMême sujetAdvanced Battery Technologies ResearchTravaux en français237 207