Optimized Graphene Hydrogels for Electrochemical Applications from High-Concentration GO/Gnp Dispersions
Notice bibliographique
Résumé
As the world combats climate change, energy storage solutions will be required to bridge the gap between the supply and demand of renewable energy sources. Supercapacitors have a higher power density and cyclic stability than batteries, making them more useful for selected applications. These devices utilize high surface area electrode materials, such as graphene, with enough active sites for sufficient ion adsorption to occur. Graphene hydrogels self-assemble via the hydrothermal reduction of graphene oxide (GO) dispersions. These three-dimensional structures have high specific surface areas while avoiding the use of binders. Binders usually negatively impact the conductivity of the material and require the use of conductive additives which lower specific performance data. As such, graphene hydrogels are attractive as a supercapacitor electrode material. Recently, graphene nanoplatelet (GNP) dispersions stabilized by small amounts of GO were used to form more cost-effective and better-performing hydrogels. Though GO/GNP hydrogels are a suitable alternative to those formed from dispersions of GO, the formulation of this material has yet to be optimized. In this work, we investigate the formation of GO/GNP hydrogels by assessing the influence of several input parameters on the specific surface area and mechanical stability of the hydrogel structure. A set of experiments based on a design of experiments is used. Based on the results, an optimized hydrogel is formed and characterized. Compared to typical hydrogels formed from dispersions of GO, the optimized GO/GNP hydrogel leads to significant improvements in both the specific surface area and conductivity of the material. When used in a supercapacitor, low internal resistance and high stability are observed while volumetric capacitance is increased by up to over 400%.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».