Electrochemical Study of Functional Additives for Li-Ion Batteries
Notice bibliographique
Résumé
In the battery industry, the performance of lithium-ion batteries operating at a high voltage is enhanced by utilizing functional additives in electrolytes to achieve higher energy densities and longer lifetimes. These additives chemically stabilize the electrolyte and aid in the formation of a stable cathode electrolyte interphase (CEI). In this paper, the investigation of oxidative potentials of more than 100 additives, using density functional theory calculations to determine the best candidates for CEI formation, is reported. The method was validated by comparing the calculated oxidation potentials and the experimental data obtained using linear sweep voltammetry based on the evaluation of 18 candidates. Further electrochemical studies (AC impedance and cycling stability) on six selected additives were conducted. Among the tested additives, the addition of quinacridone at 0.03% weight concentration resulted in the formation of a less resistive surface film on the cathode in Li/Ni0.5Mn0.3Co0.2O2 coin cells. Moreover, the capacity retention in Gr/Ni0.5Mn0.3Co0.2O coin cells increased from 62% to 77% after 200 cycles at 1C and approximately 4.4 V. The derived results suggest that the combination of the oxidation potential prediction with impedance study could be used as a powerful tool to properly and efficiently select CEI-forming additive candidates for improved battery 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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».