MétaCan
Menu
Retour à la cohorte
Enregistrement W4399970494 · doi:10.1021/acsnano.4c04529

Mass Transfer Analysis for Achieving High-Rate Lithium–Air Batteries

2024· article· en· W4399970494 sur OpenAlexaff
Yulong Liang, Yue Yu, Ziwei Li, Jun‐Min Yan, Gang Huang, Xinbo Zhang

Notice bibliographique

RevueACS Nano · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Battery Technologies Research
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNational Key Research and Development Program of ChinaChinese Academy of SciencesNational Natural Science Foundation of ChinaTencent
Mots-clésLithium (medication)Materials scienceMass transferNanotechnologyChemistryChromatographyMedicine

Résumé

récupéré en direct d'OpenAlex

Lithium–air batteries (LABs) have aroused worldwide interest due to their high energy density as a promising next-generation battery technology. From a practical standpoint, one of the most pressing issues currently in LABs is their poor rate performance. Accelerating the mass transfer rate within LABs is a crucial aspect for enhancing their rate capability. In this Perspective, we have meticulously analyzed the ion and oxygen transport processes to provide readers with a comprehensive understanding of the mass transfer within LABs. Following this, we have discussed potential misconceptions in the existing literature and propose our recommendations for improving the rate performance of LABs. This Perspective provides a deep insight into the mass transfer process in LABs and offers promising strategies for developing other high-rate metal–O 2 batteries.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: aucune
Score de désaccord entre enseignants0,567
Score d'incertitude au seuil0,659

Scores Codex et Gemma par catégorie

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 savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 GPT0,258
Écart entre enseignants0,243 · 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 tête enseignante, 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

Citations16
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueACS NanoMême sujetAdvanced Battery Technologies ResearchTravaux en français237 207