MétaCan
Menu
Retour à la cohorte
Enregistrement W4285399984 · doi:10.1149/ma2022-012162mtgabs

(Invited) Advanced Electrolytes for High-Performance Lithium Metal Batteries

2022· article· en· W4285399984 sur OpenAlexaff
Venkataraman Thangadurai

Notice bibliographique

RevueECS Meeting Abstracts · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Battery Materials and Technologies
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésAnodeElectrolyteLithium (medication)Lithium metalMaterials scienceGraphiteMetalChemical engineeringChemistryComposite materialMetallurgyElectrodeEngineeringPhysical chemistry

Résumé

récupéré en direct d'OpenAlex

The success of rechargeable lithium-ion batteries (LIBs) has brought evident convenience to human society, but state-of-the-art LIBs with a graphite anode are approaching their energy density limits. Li metal is considered the ultimate anode material due to its ultra-high theoretical specific capacity of 3860 mAh g-1, which is more than 10 times higher than lithiated graphite. Nonetheless, Li metal anode suffers from poor safety and low cycling efficiency due to its high reactivity. Electrolytes that work with Li anode should possess excellent stability against Li metal or form a highly passivating interface. It is also critical to control the amount of Li in the cell, preferably having no excess Li at the anode side.1 In this presentation, next-generation electrolytes that enable such types of high-performance Li metal batteries will be discussed, including advanced liquid electrolytes,2 garnet-type ceramic electrolytes3–5 and hybrid electrolytes.6,7 References C. Zhou, A. J. Samson, M. A. Garakani, and V. Thangadurai, J. Electrochem. Soc., 168, 060532 (2021). C. Zhou et al., Energy Storage Mater., 42, 295–306 (2021) https://doi.org/10.1016/j.ensm.2021.07.043. S. P. Kammampata, R. H. Basappa, T. Ito, H. Yamada, and V. Thangadurai, ACS Appl. Energy Mater., 2, 1765–1773 (2019). S. P. Kammampata, H. Yamada, T. Ito, R. Paul, and V. Thangadurai, J. Mater. Chem. A, 8, 2581–2590 (2020). C. Zhou, A. J. Samson, K. Hofstetter, and V. Thangadurai, Sustain. Energy Fuels, 2, 2165–2170 (2018). S. Bag, C. Zhou, P. J. Kim, V. G. Pol, and V. Thangadurai, Energy Storage Mater., 24, 198–207 (2019) https://doi.org/10.1016/j.ensm.2019.08.019. C. Zhou, S. Bag, T. He, B. Lv, and V. Thangadurai, Appl. Mater. Today, 19, 100585 (2020) https://doi.org/10.1016/j.apmt.2020.100585.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,072
Score d'incertitude au seuil0,240

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0020,004
Science ouverte0,0010,001
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0720,057

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 Opus0,008
Tête enseignante GPT0,202
Écart entre enseignants0,194 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueECS Meeting AbstractsMême sujetAdvanced Battery Materials and TechnologiesTravaux en français237 207