Bayesian-Optimization-Assisted Laser Reduction of Poly(acrylonitrile) for Electrochemical Applications
Notice bibliographique
Résumé
Laser reduction of polymers has recently been explored to rapidly and inexpensively synthesize high-quality graphitic and carbonaceous materials. However, in past work, laser-induced graphene has been restricted to semiaromatic polymers and graphene oxide; in particular, poly(acrylonitrile) (PAN) is claimed to be a polymer that cannot be laser-reduced successfully to form electrochemically active material. In this work, three strategies to surmount this barrier are employed: (1) thermal stabilization of PAN to increase its sp 2 content for improved laser processability, (2) prelaser treatment microstructuring to reduce the effects of thermal stresses, and (3) Bayesian optimization to search the parameter space of laser processing to improve performance and discover morphologies. Based on these approaches, we successfully synthesize laser-reduced PAN with a low sheet resistance (6.5 Ω sq –1 ) in a single lasing step. The resulting materials are tested electrochemically, and their applicability as membrane electrodes for vanadium redox flow batteries is demonstrated. This work demonstrates electrodes that are processed in air, below 300 °C, which are cycled stably over 2 weeks at 40 mA cm –2, motivating further development of laser reduction of porous polymers for membrane electrode applications such as RFBs.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 ».