Nonmetal doping of HfS2 monolayers for enhanced adsorption and diffusion of Li and Na ions in anode materials for alkali-ion batteries
Notice bibliographique
Résumé
• Formation energy of nonmetal-doped HfS 2 is favorable for experimental synthesis. • Doping significantly improves the adsorption of Li/Na ions over the HfS 2 monolayer. • Na experienced a low diffusion energy barrier of 0.04 eV over N-doped HfS 2 surface. • A high storage capacity of 441.86 mAh/g is achieved for the HfS 2 monolayer. Monolayer hafnium disulfide is emerging as a promising two-dimensional material due to its high theoretical electron mobility and surface current density, making it an excellent candidate for alkali-ion battery (AIBs) applications. This work applies first-principles calculations to investigate adsorption and diffusion characteristics of lithium and sodium ions on HfS 2 monolayers. The low diffusion energy barriers of 0.2 eV for Li and 0.11 eV for Na indicate that these ions possess ultrahigh mobility over HfS 2 surface, attractive for rapid charging and discharging rates in battery applications. Moreover, doping HfS 2 monolayer with nonmetal elements, boron, carbon, nitrogen and phosphorus significantly enhances the binding strength of Li and Na ions on the doped surface. For instance, carbon doping increases the adsorption energy from −3.15 to 4.76 eV for Li and from −2.49 to 3.55 eV for Na. The nitrogen-doped HfS 2 monolayer exhibits the lowest diffusion energy barriers of 0.15 eV for Li and 0.04 eV for Na adsorption. Additionally, high specific storage capacity of 441.86 mAh/g is achieved with four layers of Li adsorption over HfS 2 surface. These findings demonstrate that nonmetal doping of HfS 2 monolayers significantly improves adsorption and diffusion properties of Li and Na ions, highlighting their potential application in AIBs.
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 ».