Hybrid 3D Vertical Graphene Nanoflake and Aligned Carbon Nanotube Architectures for High-Energy-Density Lithium-Ion Batteries
Notice bibliographique
Résumé
Here, we synthesized a type of three-dimensional (3D) carbon nanostructure through the plasma-enhanced chemical vapor deposition method, which was composed of carbon nanotubes (CNTs) and graphene nanoflakes (GNFs) embedded on the surface of CNTs. The CNTs have a typical hollow structure with an inner diameter of 15 nm, and the CNT@GNF were grown on vermiculite supported with an Fe–Mo catalyst. The diameter of CNTs and the amount of GNFs on the CNT surface can be controlled by adjusting the reaction time, radio frequency (RF) power, and growth temperature. The continuous bombardment of plasma results in a large number of defects on the surface of the CNTs. It was further confirmed that the radio frequency (RF) power played a key role on the generation of GNFs by providing sufficient carbon sources and creating defects as the active sites on surface of the CNTs. Moreover, small amounts (1.2%) of synthesized CNT@GNF material after purification were employed as an efficient conductive agent for the cathode with high contents of LiFePO 4 (LFP) up to 95.8%. As a result, the CNT@GNF-based LFP electrode showed a superior electrochemical performance. After 450 cycles at a current density of 0.5 C, the battery exhibited a specific capacity of 100 mAh g –1, corresponding to a capacity retention rate of 87%. Additionally, a discharge capacity of 61 mAh g –1 can still be achieved at 10 C. The largely improved electrochemical performance should be ascribed to the well-established conductive networks by the CNT@GNF material in the electrode. Overall, we synthesized nanocarbons with a unique structure in a facile way, which is promising for the application in lithium-ion 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 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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».