MXenes as Effective Sulfur Hosts and Electrocatalysts to Suppress Lithium Polysulfide Shuttling: A Computational Study
Notice bibliographique
Résumé
Exploring electrocatalysts for the sulfur reduction reaction (SRR) has emerged as a promising strategy to suppress the shuttle effect and enhance the kinetics in lithium–sulfur (Li–S) batteries. A comprehensive understanding of the electrocatalytic mechanism within Li–S batteries remains elusive, which hinders the rational design of advanced electrocatalysts for these systems. In this study, two-dimensional (2D) transition metal carbides and nitrides (MXenes) have been investigated for the catalytic conversion of lithium polysulfides (LiPSs) using density functional theory (DFT). Our findings reveal that MXenes show a moderate binding affinity for LiPSs, suggesting favorable thermodynamics for their role as electrocatalysts for the SRR. This thermodynamic favorability promotes the suppression of the LiPSs’ shuttle effect and the enhancement of the SRR kinetics. The SRR process in Li–S batteries consists of multiple steps with varying activation energies. Our analysis by constructing the energy diagram for the multistep SRR indicates that the initial reduction of S 8 to Li 2 S 8 is facile with a lower activation energy, while the last step where Li 2 S 2 converts to Li 2 S appears to be a rate-limiting step. To predict the catalytic abilities of MXene structures, we built a volcano-shaped relationship between the adsorption of LiPSs and catalytic activity. We show three MXenes─Ta 2 CO 2, Zr 2 NO 2, and Mo 2 NO 2 as potential electrocatalysts that exhibit lower thermodynamic overpotentials for the SRR. These findings represent a significant step toward developing advanced electrocatalysts that may unlock the full potential of Li–S batteries, paving the way for improved energy storage systems with enhanced efficiency and performance.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».