Primary Knock-On Damage Prediction During the Electron Microscopy Characterization of Lithium-Containing Materials
Notice bibliographique
Résumé
Lithium-ion batteries (LIBs) are being evaluated as a possible energy storage solution to climate change for meeting power and energy demands [1]. Characterizing battery materials with high-resolution electron microscopy is essential for developing LIBs. Because lithium (Li) atoms are light and waekly bonded in Li-compounds, these materials are susceptible to knock-on damage [2]. This damage happens when a beam electron scatters elastically and transmits energy to the atom that is greater than its threshold displacement energy (TDE) [3]. This study investigated knock-on damage by Monte Carlo simulation and theoretical calculations of the probability of knock-on damage, PKOD. To achieve this, the TDEs were calculated using the sudden approximation technique within the Density Functional Theory (DFT) calculations for three groups of materials: LiX (X=F, Cl, Br), and Li2MSiO4 (M = Fe, Co, Mn), and pure elements (Li, Al, Mg). Fig. 1 shows the PKOD of three groups of materials of interest. As illustrated in this figure, pure Li has the largest PKOD, demonstrating the high vulnerability of Li to knock-on damage. It also signifies the strange behavior of Li regarding the appearance of a peak in PKOD in both its pure and compound form. This was also reported in reference [4], where a peak was also discovered in the knock-on damage cross-section of Li. Our theoretical calculations explain this behavior with the abrupt drop in the elastic cross section of Li with increasing energy, resulting from the small TDE and light weight of this element. We developed a Monte Carlo algorithm which utilizes the single scattering method like Win X-ray [5] and CASINO [6] to simulate the electron trajectories while tracking the knock-on damage. Fig. 2 illustrates the results of these simulations in which the green dot represents the place where the displacement of Li atoms. Comparing the amount of knock-on damage in this figure with the PKOD, shown in Fig. 1, demonstrates the consistency between simulations and theoretical calculations. Also, the difference in the amount of knock-on damage in materials within the same group (i.e., identical structures) could be explained by the difference in the TDE of Li in that material group. Nevertheless, other parameters, including elastic cross-section, density and atomic weight, were found to affect this damage. The probability of Li knock-on damage, PKOD, for a) pure elements (Li, Al, Mg), b) LiX (X = F, Cl, Br), and c) Li2MSiO4 (M = Co, Fe, Mn). Monte Carlo simulation of knock-on damage at 30 KeV in a) LiF, b) LiCl, c) LiBr, d) Li2CoSiO4, e) Li2FeSiO4, and f) Li2MnSiO4.
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 | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».