MétaCan
Menu
Retour à la cohorte
Enregistrement W3025208847 · doi:10.1149/ma2020-01492730mtgabs

Using Scanning Ion Conductance Microscopy to Measure Ion Conductivity and Permeability in Porous Materials

2020· article· en· W3025208847 sur OpenAlexaff
Nicholas A. Payne, Jeremy I. G. Dawkins, Steen B. Schougaard, Janine Mauzeroll

Notice bibliographique

RevueECS Meeting Abstracts · 2020
Typearticle
Langueen
DomaineMaterials Science
ThématiqueConducting polymers and applications
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceConductivityIonic conductivityPorosityElectrodeComposite numberComposite materialIonConductanceMicroscopyScanning electron microscopeNanotechnologyAnalytical Chemistry (journal)ChemistryOpticsChromatography

Résumé

récupéré en direct d'OpenAlex

Composite electrodes can significantly improve the performance of an electrochemical device by maximizing surface area and active material loading. Typically, additives such as carbon are used to improve conductivity and a polymer is used as a binder leading to a heterogeneous surface film with thickness on the order of tens of microns. For such composite electrodes, good ionic conduction within the film is critical to capitalize on the increased loading of active material and surface area. Ionic conductivity within a film can be tricky to measure directly and homogenization models based on porosity are often used as a proxy. Scanning Ion Conductance Microscopy (SICM) has traditionally been a topography-mapping microscopy method. We will outline a new function and demonstrate SICM’s capacity for measuring ion conductivity within lithium-ion battery composite electrodes.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,005
Score d'incertitude au seuil0,824

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
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)0,0000,000

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 Opus0,075
Tête enseignante GPT0,314
Écart entre enseignants0,239 · 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.

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 sujetConducting polymers and applicationsTravaux en français237 207