2D SnSe Cathode Catalyst Featuring an Efficient Facet‐Dependent Selective Li<sub>2</sub>O<sub>2</sub> Growth/Decomposition for Li–Oxygen Batteries
Notice bibliographique
Résumé
Abstract 2D materials are attracting much attention in the field of cathode catalysts for lithium–oxygen batteries (LOBs) due to their layered structure, unique electronic properties, and high stability. However, different stacking layer structures trigger different catalytic capabilities in LOBs. In this work, tin selenide nanosheets with a black phosphorus‐like 2D structure are synthesized and used as the cathode catalyst for LOBs. SnSe nanosheets with exposed stack (200) facets and stack edge facets exhibit superior specific capacity over 20 783 mAh g −1 and ultralong cycle stability over 380 cycles at 500 mA g −1 in LOBs. This demonstrates that the growth of discharge products is mainly concentrated on the 2D surface (200) facets, rather than the stack edge facets. Experimental and theoretical studies reveal that the confined adsorption of Li 2 O 2 on the stack edge facets of SnSe, due to the 2D layer structure and the unique electron distribution, restricts the growth of discharge products. The 2D surface facets of SnSe benefit for the formation and stabilization of LiO 2 intermediates, leading to the efficient formation/decomposition of discharge products. The findings provide in‐depth insight into the elusive electrocatalytic mechanism for 2D layer‐structures materials in LOBs.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».