MétaCan
Menu
Retour à la cohorte
Enregistrement W4291720694 · doi:10.1007/s12598-022-02052-8

Recent progress in application of cobalt‐based compounds as anode materials for high‐performance potassium‐ion batteries

2022· article· en· W4291720694 sur OpenAlexaff
Fei Yuan, Yachuan Shao, Bo Wang, Yusheng Wu, Di Zhang, Zhaojin Li, Yimin A. Wu

Notice bibliographique

RevueRare Metals · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvancements in Battery Materials
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesLiaoning Revitalization Talents ProgramHebei Provincial Key Research ProjectsNatural Science Foundation of Hebei ProvinceNational Natural Science Foundation of China
Mots-clésAnodeMaterials scienceCobaltNanotechnologyElectrochemistryPotassiumLithium (medication)MetallurgyElectrodeChemistry

Résumé

récupéré en direct d'OpenAlex

Abstract Potassium‐ion batteries (KIBs) are regarded as one of the most promising replacements for lithium‐ion batteries because of their low cost and high performance. Exploring suitable anode materials to stably and effectively store potassium is critical for the development of KIBs. Given their high theoretical specific capacity, cobalt‐based compounds have been extensively investigated as an anode material in recent years; however, specific reviews summarizing the research progress in the application of cobalt‐based compounds as anode materials for high‐performance KIBs are lacking. Consequently, this review systematically summarizes the recent states of cobalt‐based anode materials in KIBs starting at the potassium storage mechanism, followed by strategies and applications to improve the electrochemical performance. The current challenges are also discussed, and corresponding prospects are proposed. This work may facilitate the realization of various applications of cobalt‐based compound anodes for high‐performance rechargeable batteries and is expected to provide some guidance for developing other metal‐based compounds for KIBs anodes.

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: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,258
Écart entre enseignants0,244 · 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
GenreSynthèse

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

En bref

Citations34
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRare MetalsMême sujetAdvancements in Battery MaterialsTravaux en français237 207