MétaCan
Menu
Retour à la cohorte
Enregistrement W4284682803 · doi:10.1002/adfm.202204778

Heterogeneous Nanodomain Electrolytes for Ultra‐Long‐Life All‐Solid‐State Lithium‐Metal Batteries

2022· article· en· W4284682803 sur OpenAlexaff
Leixin Yang, Dan Luo, Yun Zheng, Tingzhou Yang, Qianyi Ma, Yihang Nie, Haozhen Dou, Yongguang Zhang, Rong Huang, Aiping Yu, Lingling Shui, Xin Wang, Zhongwei Chen

Notice bibliographique

RevueAdvanced Functional Materials · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Battery Materials and Technologies
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesChina Postdoctoral Science Foundation
Mots-clésMaterials scienceElectrolyteIonic conductivityLithium (medication)Fast ion conductorElectrical conductorLithium metalChemical engineeringConductivityDeposition (geology)NanotechnologyPolymerComposite materialElectrode

Résumé

récupéré en direct d'OpenAlex

Abstract Solid polymer electrolytes exhibit huge advantages but are hindered by insufficient mechanical strength and ionic conductivity in the applications of all‐solid‐state lithium‐metal batteries (ASSLBs). Herein, poly(ether‐block‐amide) (Pebax) strategies to construct heterogeneous nanodomain electrolytes (HNEs) for ultra‐long‐life ASSLBs are introduced. Pebax HNEs forms conductive nanodomains via phase separation, exhibiting interconnected and high Li + conductive features. Compared with conventional PEO‐based electrolytes, the Pebax HNEs with controllable size and order can facilitate rapid Li + transport with steerable transport channels, further enhancing the Li + conductivity and inducing the uniform Li + deposition. Furthermore, the obtained thin and dense hybrid SEI layer with potent mechanical strength can synergistically suppress the dendrite growth, and the as‐prepared ASSLBs exhibit a satisfactory capacity with a tiny capacity reduction of 0.013% per cycle over 1500 cycles. This work provides a brand‐new insight to construct a conductive structure in electrolytes for high‐performance ASSLBs.

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 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 candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,086
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
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)0,0010,000

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 Opus0,011
Tête enseignante GPT0,216
Écart entre enseignants0,205 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations65
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvanced Functional MaterialsMême sujetAdvanced Battery Materials and TechnologiesTravaux en français237 207