MétaCan
Menu
Retour à la cohorte
Enregistrement W4388298211 · doi:10.20517/cs.2023.34

Strain engineering of two-dimensional materials for energy storage and conversion applications

2023· article· en· W4388298211 sur OpenAlexaff
Xing Peng, Long Chen, Yifan Liu, Chao Liu, Honglan Huang, Jinbo Fan, Pan Xiong, Junwu Zhu

Notice bibliographique

RevueChemical Synthesis · 2023
Typearticle
Langueen
DomaineMaterials Science
Thématique2D Materials and Applications
Établissements canadiensMinistry of Education and Child Care
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesGovernment of Jiangsu ProvinceNatural Science Foundation of Jiangsu ProvinceNational Natural Science Foundation of China
Mots-clésStrain engineeringEnergy storageMaterials scienceStrain (injury)Energy transformationMolecular engineeringStrain energyNanotechnologyMechanical engineeringEngineeringStructural engineeringOptoelectronicsFinite element methodPhysicsThermodynamics

Résumé

récupéré en direct d'OpenAlex

Two-dimensional (2D) materials have garnered much interest due to their exceptional optical, electrical, and mechanical properties. Strain engineering, as a crucial approach to modulate the physicochemical characteristics of 2D materials, has been widely used in various fields, especially for energy storage and conversion. Herein, the recent progress in strain engineering of 2D materials is summarized for energy storage and conversion applications. The fundamental understanding of strain in 2D materials is first described. Then, some synthetic methods for modulating the properties of 2D materials via strain engineering are introduced. Further, the applications of strain engineering of 2D materials in energy storage, photocatalysis, and electrocatalysis are discussed. Finally, the challenges and perspectives on strain engineering of 2D materials are also outlined.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,012
Tête enseignante GPT0,230
Écart entre enseignants0,218 · 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
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

Citations36
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueChemical SynthesisMême sujet2D Materials and ApplicationsTravaux en français237 207