Teesmat an Open Innovation Test Bed for Electrochemical Devices: Example of X-Ray Nano-Tomography As Characterization Tool for Battery Analysis
Notice bibliographique
Résumé
The recent rapid increase of the demand of higher energy density along with higher power density lithium-ion batteries (LiBs) requires the development of advanced cathode/anode materials with higher capacity. These challenges can be addressed providing that powerful characterization tools are able to probe the degradation phenomena occurring at multiple scale. In this context, the TEESMAT platform aims to widen the access to a large panel of characterization techniques among different partners across Europe for solving industrial problematics in energy related field. Among these, X-ray tomography has been used as non-invasive 3D investigation tool that spread along a wide range of applications in order to probe at different length scale their microstructure. Moreover, phase contrast imaging has brought to light a practical way to enhance visibility between weak absorbing materials and/or small details of differing refractive index within structure, and thus accessing a sharpen overview of the 3D morphology of complex material, which is of particular interest in the frame of energy-related materials. This presentation will focus on various industrial case studies such as NMC-based and LFP-based all solid-state batteries, hybrid Li-ion supercapacitor and current collector manufacturing. The results presented are part of the TEESMAT project, which received funding from the European Union's Horizon 2020 research and innovation programme under grant agreement No 814106.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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 ».