Redox-Active Organic Molecules and Modified Graphene-Based Materials As Active Material Composites for Supercapacitor Applications
Notice bibliographique
Résumé
Green and sustainable energy demand has directed the modern world toward producing clean energy storage devices to cut down fossil fuel consumption. Supercapacitors are energy storage devices that have attracted much attention due to owning outstanding properties. Supercapacitors use two main mechanisms to storge charge: I) electrical double layer II) pseudocapacitance. Graphene-based materials have shown promising performance in supercapacitors due to their high surface area and proper electrical conductivity. One of the challenges of working with graphene is the restacking of the graphene sheets, leading to poor performance and lower capacitance. Studies have used doping graphene with different heteroatoms as one of the techniques to overcome the restacking and enhancement of its electrochemical performance. Moreover, redox-active organic molecules, including anthraquinones, phenols, and phenathrequinones, also can be employed to modify graphene. In this work we develop composite active material structures consisting of modified graphene-based materials and organic molecules containing redox active functional groups to provide pseudo-capacitance capabilities. By combining these materials, specific capacitance values above 600 F/g were obtained (at cyclic voltammetry scan rates of 50 mV/s) along with good capacitance retention following repeated electrochemical cycling. In this presentation we will discuss the influence of synthesis route and processing parameters and the resulting structures and performance of the active supercapacitor materials. By correlating these results, we provide insight into the energy storage mechanisms and durability considerations pertaining to these hybrid materials.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».