MétaCan
Menu
Retour à la cohorte
Enregistrement W3011605220 · doi:10.1149/ma2020-012454mtgabs

Si and Si@C Nanoparticles for Lithium-Ion Batteries Anodes: Electrode/Electrolyte Interface Evolution

2020· article· en· W3011605220 sur OpenAlexaff
Antoine Desues, John P. Alper, Florent Boismain, Hendrix Demers, R. Veillette, Daniel Clément, Karim Zaghib, Éric De Vito, Sylvain Franger, Michel L. Trudeau, Cédric Haon, N. Herlin

Notice bibliographique

RevueECS Meeting Abstracts · 2020
Typearticle
Langueen
DomaineMaterials Science
ThématiqueGraphene research and applications
Établissements canadiensHydro-Québec
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceAnodeDielectric spectroscopySiliconChemical engineeringHigh-resolution transmission electron microscopyX-ray photoelectron spectroscopyLithium (medication)Carbon fibersScanning electron microscopeElectrolyteTransmission electron microscopyNanotechnologyLithium-ion batteryNanoparticleElectrodeElectrochemistryBattery (electricity)Composite materialChemistryOptoelectronicsComposite number

Résumé

récupéré en direct d'OpenAlex

Due to increasing demand in energy storage, much attention has been paid to Si as an anode material in Li-Ion batteries because of its theoretical capacity (3579 mAh/g in the Li15Si4 alloy vs 372 mAh/g for graphitic carbon). However, silicon suffers from several drawbacks, including rapid pulverization and SEI ripening, limiting its use. Nanostructuration and protection of silicon with a carbon coating are proven methods to improve the behavior of silicon-based anodes [1]. Using the laser pyrolysis method, the synthesis of silicon-carbon core-shell nanoparticles was achieved in a continuous way, without intermediate manipulations between the synthesis of the core from silane precursor and the shell from ethylene [2]. The influence of the carbon coating on electrochemical performances was studied in coin cells in operando conditions by using electrochemical impedance spectroscopy (EIS) as well as post mortem analysis of the anode by using (X-Ray Photon electron Spectroscopy (XPS), Scanning Electron Microscopy (SEM) and High Resolution Transmission Electron Microscopy (HRTEM)). Special attention was paid to the first cycle because of its major importance in the formation and growth of the SEI and the long term behavior of the battery. By comparing measurements on Si and Si@C materials, EIS clearly demonstrates the beneficial effect of the carbon shell in the SEI stabilization. The stability of the the SEI resistance shows the protective effect of the the carbon shell while the SEI resistance is strongly modified and increases during lithiation. Such behavior can be related to the evolution of the chemical composition determined by XPS at different potentials during lithiation and delithiation. Figure 1

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

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)0,0010,000

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 Opus0,021
Tête enseignante GPT0,274
Écart entre enseignants0,253 · 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
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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueECS Meeting AbstractsMême sujetGraphene research and applicationsTravaux en français237 207