Atomic-Scale Characterization of Microscale Battery Particles Enabled by a High-Throughput Focused Ion Beam Milling Technique
Notice bibliographique
Résumé
The cathode materials in lithium-ion batteries (LIBs) require improvements to address issues such as surface degradation, short-circuiting, and the formation of dendrites. One such method for addressing these issues is using surface coatings. Coatings can be sought to improve the durability of cathode materials, but the characterization of the uniformity and stability of the coating is important to assess the performance and lifetime of these materials. For microscale particles, there are, however, challenges associated with characterizing their surface modifications by transmission electron microscopy (TEM) techniques due to the size of these particles. Often, techniques such as focused ion beam (FIB)-assisted lift-out can be used to prepare thin cross sections to enable TEM analysis, but these techniques are very time-consuming and have a relatively low throughput. The work outlined herein demonstrates a FIB technique with direct support of microscale cathode materials on a TEM grid that increases sample throughput and reduces the processing time by 60-80% (i.e., from >5 to ∼1.5 h). The demonstrated workflow incorporates an air-liquid particle assembly followed by direct particle transfer to a TEM grid, FIB milling, and subsequent TEM analysis, which was illustrated with lithium nickel cobalt aluminum oxide particles and lithium manganese nickel oxide particles. These TEM analyses included mapping the elemental composition of cross sections of the microscale particles using energy-dispersive X-ray spectroscopy. The methods developed in this study can be extended to high-throughput characterization of additional LIB cathode materials (e.g., new compositions, coating, end-of-life studies), as well as to other microparticles and their coatings as prepared for a variety of applications.
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 | 0,000 | 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 ».