MétaCan
Menu
Retour à la cohorte
Enregistrement W3217242499 · doi:10.3390/inorganics9110085

In Situ and In Operando Techniques to Study Li-Ion and Solid-State Batteries: Micro to Atomic Level

2021· article· en· W3217242499 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueInorganics · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvancements in Battery Materials
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésX-ray photoelectron spectroscopyRaman spectroscopyMaterials scienceBattery (electricity)In situTransmission electron microscopyScanning electron microscopeNanotechnologyScanning transmission electron microscopyDiffractionChemistryChemical engineeringOpticsPhysicsEngineering

Résumé

récupéré en direct d'OpenAlex

This work summarizes the most commonly used in situ techniques for the study of Li-ion batteries from the micro to the atomic level. In situ analysis has attracted a great deal of interest owing to its ability to provide a wide range of information about the cycling behavior of batteries from the beginning until the end of cycling. The in situ techniques that are covered are: X-ray diffraction (XRD), Raman spectroscopy, X-ray photoelectron spectroscopy (XPS), Scanning Electron Microscopy (SEM), Transmission Electron Microscopy (TEM), and Scanning Transmission Electron Microscopy (STEM). An optimized setup is required to be able to use any of these in situ techniques in battery applications. Depending on the type of data required, the available setup, and the type of battery, more than one of these techniques might be needed. This study organizes these techniques from the micro to the atomic level, and shows the types of data that can be obtained using these techniques, their advantages and their challenges, and possible strategies for overcoming these challenges.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,008
Score d'incertitude au seuil0,663

Scores Codex et Gemma par catégorie

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)0,0000,000

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 Opus0,016
Tête enseignante GPT0,275
Écart entre enseignants0,260 · 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