Mechanofusion-Derived Si Alloy-Graphite Composite Electrode Material for Li-Ion Battery
Notice bibliographique
Résumé
Silicon-graphite composites are extremely promising negative electrode materials for Li-ion batteries. However, simple and effective methods to synthesize silicon-graphite composites with engineered structures are needed to realize this technology in practical applications. Here, we show that the environmentally friendly and low-cost dry mechanofusion (MF) process can effectively synthesize silicon alloy-graphite composites, in which silicon alloy particles can be well dispersed and embedded between flake graphite layers, as shown in Figure 1(a)-(b). This results in increased tap density and reduced surface area. The special structure provides a way to buffer volume expansion and contraction of the silicon alloy during lithiation and delithiation. As a result of this hierarchical arrangement, superior cyclability and rate capability are achieved compared to simple mixtures, with capacities of 950 mAh/g (i.e. 1473 Ah/L) and 900 mAh/g (i.e. 1432 Ah/L) at 2C and 4C, respectively (Figure 1(c)). Moreover, using this process, micron-sized silicon alloy particles can be well embedded within spherical natural graphite particles, as shown in Figure 1(d)-(e). The specially engineered structure created by the MF dry process leaves room for expansion and contraction of the silicon alloy during lithiation and delithiation process. In addition, the silicon alloy particles are protected within the graphite particle, which could be helpful to avoid excessive electrolyte exposure and improve cycle life. Figure 1
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».