MétaCan
Menu
Retour à la cohorte
Enregistrement W4386853297 · doi:10.1149/ma2023-01452483mtgabs

Li Transport in Defected LiNiO<sub>2</sub> from First Principles: Diffusion, Nucleation, and Charge Transfer

2023· article· en· W4386853297 sur OpenAlexaff
Penghao Xiao

Notice bibliographique

RevueECS Meeting Abstracts · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvancements in Battery Materials
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésKinetic Monte CarloNucleationThermodynamicsElectrochemistryMaterials scienceKinetic energyDiffusionElectrolyteCluster expansionDensity functional theoryChemical physicsChemistryElectrodeMonte Carlo methodComputational chemistryPhysical chemistryPhysics

Résumé

récupéré en direct d'OpenAlex

Electrochemical intercalation of Li in battery electrodes involves a few types of kinetic processes, including diffusion in inhomogeneous media, phase nucleation/transition, and surface charge transfer. They span several length and time scales and are often coupled with each other, which makes it challenging to identify the rate-limiting step and extract kinetic parameters by fitting an empirical model. Using layered cathode LiNiO2 as an example, I will present how all these processes can be incorporated in one atomistic model without empirical inputs, which reals the kinetic competition between different processes. In this scheme, the energetics of various local environments were calculated by the density functional theory (DFT). And the obtained data were used to train a surrogate Hamiltonian with the cluster expansion method. Then the kinetic Monte Carlo (KMC) simulations were conducted with ion hopping barriers updated on-the-fly based on the Brønsted−Evans−Polanyi (BEP) relation. The charge transfer barriers at the electrode-electrolyte interface were calculated separately using the constant-voltage eNEB method1. The simulation results shown below largely reproduce the experimental voltage profile of LiNiO2 2. Both the hysteresis and the irreversible capacity loss (IRC) at the first discharge are captured. The rate limiting step switches as the Li concentration changes during cycling. Moreover, the layered LiNiO2 is never perfect and there are always some excess Ni in the Li layer, which significantly affects the electrochemical performances. My simulations peek into the atomistic origins of these effects. The excess Ni formed in the bulk during synthesis increase IRC by impeding Li diffusion3; the excess Ni near the surface formed during cycling due to oxygen loss traps Li in the fatigued particles by suppressing Li-poor phase nucleation below certain Li concentration4. References: Duan, Z. & Xiao, P. Simulation of Potential-Dependent Activation Energies in Electrocatalysis: Mechanism of O-O Bond Formation on RuO2. Journal of Physical Chemistry C 125, 15243–15250 (2021). Kurzhals, P. et al. The LiNiO2 Cathode Active Material: A Comprehensive Study of Calcination Conditions and their Correlation with Physicochemical Properties. Part I. Structural Chemistry. J Electrochem Soc 168, 110518 (2021). Phattharasupakun, N. et al. Correlating Cation Mixing with Li Kinetics: Electrochemical and Li Diffusion Measurements on Li-Deficient LiNiO2 and Li-Excess LiNi0.5Mn0.5O2. J Electrochem Soc 168, 090535 (2021). Xu, C. et al. Bulk fatigue induced by surface reconstruction in layered Ni-rich cathodes for Li-ion batteries. Nat Mater 20, 84–92 (2021). Figure 1

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

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

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,215
Écart entre enseignants0,200 · 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'étudeSimulation ou modélisation
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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueECS Meeting AbstractsMême sujetAdvancements in Battery MaterialsTravaux en français237 207