Probing Sulfur Deposition onto Carbon Nanomaterials from Aqueous, Elemental Sulfur Sols for Lithium–Sulfur Batteries
Notice bibliographique
Résumé
Sulfur cathodes for lithium–sulfur batteries often rely on integrating sulfur with high surface area carbonaceous materials. Nanoscale mixing is typically achieved by a lengthy, high-temperature melt imbibition approach that employs carbon nanomaterials in an aggregated solid form. In this work, we present a simple strategy to coat carbon nanomaterials with sulfur in a cost-effective, room-temperature process using inexpensive elemental sulfur. Our results are based on hydrophobic sulfur sols, which have rarely been examined for use in the preparation of sulfur cathodes. We study the deposition mechanism on different carbon materials and find that sulfur dissolves from the sol into the aqueous phase and coats the surface of reduced graphene oxide (rGO) by heterogeneous nucleation and growth, but that this mechanism is not favored for carbon materials such as Ketjen black (KB) and graphene oxide (GO), for which undesirable homogeneous nucleation of micron-sized, insulating sulfur crystals is observed. High loading (3–4 mgsulfur/cm2) rGO-based cathodes prepared using this approach achieve discharge capacities of 1300 mAh/gsulfur (∼4.8 mAh/cm2) at 0.1C and achieve capacities 7-fold higher than cells prepared via traditional melt imbibition approaches at higher rates of 0.8C and 1C. Cells prepared without the need for added binder or conductive additive achieve projected full cell energy densities of 468 Wh/kg at 0.1C when taking into account all inactive components and assuming no lithium metal degradation, indicating that the deposition of sulfur from hydrophobic sols onto carbon nanomaterials can serve as a simple, aqueous-based, one-step process to prepare high sulfur loading cathodes with high projected energy densities.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,000 | 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 tête enseignante, 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 ».