MétaCan
Menu
Retour à la cohorte
Enregistrement W2971500760 · doi:10.3389/fchem.2019.00640

Capacity Contribution Induced by Pseudo-Capacitance Adsorption Mechanism of Anode Carbonaceous Materials Applied in Potassium-ion Battery

2019· review· en· W2971500760 sur OpenAlexaff
Jiahao Liu, Ziqiang Xu, Mengqiang Wu, Yuesheng Wang, Karim Zaghib

Notice bibliographique

RevueFrontiers in Chemistry · 2019
Typereview
Langueen
DomaineEngineering
ThématiqueAdvancements in Battery Materials
Établissements canadiensHydro-Québec
Organismes subventionnairesSichuan Province Science and Technology Support Program
Mots-clésCapacitanceAnodePotassium-ion batteryElectrolyteMaterials scienceBattery (electricity)Cyclic voltammetryElectrochemistryPotassiumPseudocapacitanceChemical engineeringGraphiteDiffusionBushingSupercapacitorNanotechnologyElectrodeChemistryComposite materialPower (physics)Lithium vanadium phosphate batteryMetallurgy

Résumé

récupéré en direct d'OpenAlex

The intrinsic bottleneck of graphite intercalation compound mechanism in potassium-ion batteries necessitates the exploitation of novel potassium storage strategies. Hence, utmost efforts have been made to efficiently utilize the extrinsic pseudo-capacitance, which offers facile routes by employing low-cost carbonaceous anodes to improve the performance of electrochemical kinetics, notably facilitating the rate and power characteristics for batteries. This mini-review investigates the methods to maximize the pseudo-capacitance contribution based on the size control and surface activation in recent papers. These methods employ the use of cyclic voltammetry for kinetics analysis, which allows the quantitative determination on the proportion of diffusion-dominated vs. pseudo-capacitance by verifying a representative pseudo-capacitive material of single-walled carbon nanotubes. Synergistically, additional schemes such as establishing matched binder-electrolyte systems are in favor of the ultimate purpose of high-performance industrialized potassium-ion batteries.

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 candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
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 Opus0,018
Tête enseignante GPT0,238
Écart entre enseignants0,219 · 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.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreSynthèse

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

En bref

Citations16
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in ChemistryMême sujetAdvancements in Battery MaterialsTravaux en français237 207