MétaCan
Menu
Retour à la cohorte
Enregistrement W2981478793 · doi:10.1007/s41918-019-00053-3

Degradation Mechanisms and Mitigation Strategies of Nickel-Rich NMC-Based Lithium-Ion Batteries

2019· article· en· W2981478793 sur OpenAlexafffund
Tianyu Li, Xiao‐Zi Yuan, Lei Zhang, Datong Song, Kai Shi, Christina Bock

Notice bibliographique

RevueElectrochemical Energy Reviews · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvancements in Battery Materials
Établissements canadiensNational Research Council CanadaUniversity of Victoria
Organismes subventionnairesNational Research Council Canada
Mots-clésElectrolyteGraphiteAnodeMaterials scienceLithium (medication)CathodeElectrochemistryDegradation (telecommunications)NickelChemical engineeringNanotechnologyComputer scienceElectrodeMetallurgyChemistryPhysical chemistry

Résumé

récupéré en direct d'OpenAlex

Abstract The demand for lithium-ion batteries (LIBs) with high mass-specific capacities, high rate capabilities and long-term cyclabilities is driving the research and development of LIBs with nickel-rich NMC (LiNi x Mn y Co 1− x − y O 2 , $$x \geqslant 0.5$$ x ⩾ 0.5 ) cathodes and graphite (Li x C 6 ) anodes. Based on this, this review will summarize recently reported and widely recognized studies of the degradation mechanisms of Ni-rich NMC cathodes and graphite anodes. And with a broad collection of proposed mechanisms on both atomic and micrometer scales, this review can supplement previous degradation studies of Ni-rich NMC batteries. In addition, this review will categorize advanced mitigation strategies for both electrodes based on different modifications in which Ni-rich NMC cathode improvement strategies involve dopants, gradient layers, surface coatings, carbon matrixes and advanced synthesis methods, whereas graphite anode improvement strategies involve surface coatings, charge/discharge protocols and electrolyte volume estimations. Electrolyte components that can facilitate the stabilization of anodic solid electrolyte interfaces are also reviewed, and trade-offs between modification techniques as well as controversies are discussed for a deeper understanding of the mitigation strategies of Ni-rich NMC/graphite LIBs. Furthermore, this review will present various physical and electrochemical diagnostic tools that are vital in the elucidation of degradation mechanisms during operation to supplement future degradation studies. Finally, this review will summarize current research focuses and propose future research directions. Graphic Abstract The demand for lithium-ion batteries (LIBs) with high mass specific capacities, high rate capabilities and longterm cyclabilities is driving the research and development of LIBs with nickel-rich NMC (LiNi x Mn y Co 1− x − y O 2 , x ≥ 0.5) cathodes and graphite (Li x C 6 ) anodes. Based on this, this review will summarize recently reported and widely recognized studies of the degradation mechanisms of Ni-rich NMC cathodes and graphite anodes. And with a broad collection of proposed mechanisms on both atomic and micrometer scales, this review can supplement previous degradation studies of Ni-rich NMC batteries. In addition, this review will categorize advanced mitigation strategies for both electrodes based on different modifications in which Ni-rich NMC cathode improvement strategies involve dopants, gradient layers, surface coatings, carbon matrixes and advanced synthesis methods, whereas graphite anode improvement strategies involve surface coatings, charge/discharge protocols and electrolyte volume estimations. Electrolyte components that can facilitate the stabilization of anodic solid-electrolyte interfaces (SEIs) are also reviewed and tradeoffs between modification techniques as well as controversies are discussed for a deeper understanding of the mitigation strategies of Ni-rich NMC/graphite LIBs. Furthermore, this review will present various physical and electrochemical diagnostic tools that are vital in the elucidation of degradation mechanisms during operation to supplement future degradation studies. Finally, this review will summarize current research focuses and propose future research directions.

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)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
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 Opus0,008
Tête enseignante GPT0,226
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'étudeSans objet
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

Citations744
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueElectrochemical Energy ReviewsMême sujetAdvancements in Battery MaterialsTravaux en français237 207