MétaCan
Menu
Retour à la cohorte
Enregistrement W3045237655 · doi:10.1016/j.jmrt.2020.06.072

High-purity few-layer graphene from plasma pyrolysis of methane as conductive additive for LiFePO4 lithium ion battery

2020· article· en· W3045237655 sur OpenAlexaff
Feng Wang, Fangfang Wang, Ruoyu Hong, Xuesong Lv, Ying Zheng, Huaiyin Chen

Notice bibliographique

RevueJournal of Materials Research and Technology · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvancements in Battery Materials
Établissements canadiensWestern University
Organismes subventionnairesFujian Provincial Department of Science and TechnologyNational Natural Science Foundation of China
Mots-clésGrapheneMaterials scienceGraphene foamLithium (medication)Chemical engineeringLithium-ion batteryGraphene oxide paperCathodeBattery (electricity)Nanotechnology

Résumé

récupéré en direct d'OpenAlex

Graphene is one of the most attractive materials because of its outstanding properties. Here we report a straightforward and environmentally friendly process, in which the few-layer graphene is continuously prepared in gas phase by one-step pyrolysis of methane by alternative-current arc plasma under substrate free and atmospheric conditions. The graphene is generated in high purity with the yield of more than 2 g/h. No further operations such as centrifugation, purification, sonication, and drying are needed. The synthesized graphene powder mainly consists of 1–3 layered flakes. The electrochemical performance of the graphene as the cathode conductive filler for LiFePO4 lithium ion batteries is investigated. The most effective electron transporting network in lithium ion batteries is obtained under 2% of graphene, together with 1% of carbon black. Moreover, the addition of graphene increases the specific capacity of the cathode and shows a good rate performance.

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 seuil0,003

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 Opus0,047
Tête enseignante GPT0,316
Écart entre enseignants0,269 · 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

Citations42
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Materials Research and TechnologyMême sujetAdvancements in Battery MaterialsTravaux en français237 207