Improving Battery Performance via Mechanical Activation EnhancedSynthesis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Rechargeable batteries will play a critical role in vehicle electrification, utilization of renewable energy, and the construction of smart city and IoT (internet of things). For these emerging applications, rechargeable batteries with high energy density, fast charging capability, as well as low fabrication cost and long cycle life are urgently needed. This presentation focuses on synthesis of advanced materials to enhance performance of sodium ion batteries (SIBs) with liquid electrolytes or solid electrolytes for large scale, stationary energy storage where ultralong cycle life, high round trip efficiency, low cost, and high safety are important, while the high gravimetric energy densities offered by Li-ion batteries (LIBs) are not critical. To achieve long-cycle life and high safety, we have developed a mechanical-activation-enhanced reactions (MAER) method to synthesize Na-cathode material and Na-ion conductor with controlled structural defects and larger Na diffusion pathways. Using this MAER method, we have achieved one of the best cycle stabilities of O3-NaCrO2 cathodes over 300 charge/discharge cycles without doping and one of the highest Na ion conductivities of Na3Zr2Si2PO12 solid electrolyte at room temperature (> 10 -3 S/cm). Detailed structural analyses reveal that MAER can minimize Cr 3+ ion misplacement at Na sites to improve the cycle stability of O3-NaCrO2 and increase the bottleneck size of Na3Zr2Si2PO12 crystals to enhance its Na ion conductivity at room temperature. These studies have provided a new direction and offered guidelines to synthesize high performance Na-ion battery materials in the near future.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 découle