MétaCan
Menu
Retour à la cohorte
Enregistrement W3091138349 · doi:10.1002/sstr.202000064

Recent Progress on High‐Performance Cathode Materials for Zinc‐Ion Batteries

2020· article· en· W3091138349 sur OpenAlexafffund
Maiwen Zhang, Ruilin Liang, Tyler Or, Ya‐Ping Deng, Aiping Yu, Zhongwei Chen

Notice bibliographique

RevueSmall Structures · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced battery technologies research
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésCathodePrussian blueMaterials scienceVanadiumBattery (electricity)ElectrochemistryNanotechnologyRedoxEnergy storageManganeseEngineering physicsElectrodeMetallurgyElectrical engineeringEngineeringChemistry

Résumé

récupéré en direct d'OpenAlex

Rechargeable zinc‐ion batteries (ZIBs) have emerged as a contender in the area of electrochemical energy storage applications due to their low cost and inherent safety. To optimize the battery performances, ZIBs cathode materials with high capacity and cyclability have been intensively studied, with most attention focused on traditional manganese‐ and vanadium‐based materials. Recently, other novel cathode materials including Prussian blue analogues (PBAs), polyanions, metal sulfides, and organic compounds have begun to gain recognition as promising alternatives. These materials exhibit distinct strength such as high operating voltage, additional capacity by new redox chemistry activation, and/or highly reversible cycling process that are particularly desirable for ZIBs applications. To provide the highlight they deserve, this review focuses on introducing the recent progresses of these ZIBs cathodes and demonstrating common strategies adopted for material modification and optimization. Finally, systematic comparisons among the cathode materials are analyzed, along with challenges and perspectives on each category of the cathodes.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
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: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,032
Tête enseignante GPT0,270
Écart entre enseignants0,238 · 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
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

Citations119
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSmall StructuresMême sujetAdvanced battery technologies researchTravaux en français237 207