Strategy Formulation for Mitigating Capacity Fading of Na‐Layered Oxides
Notice bibliographique
Résumé
Abstract The mechanisms underlying capacity fading during cycling in layered oxide cathode materials for sodium‐ion batteries remain inadequately understood. It is essential to elucidate the reasons and propose effective strategies. Here, the capacity‐fading mechanism of commercial NaFe 1/3 Mn 1/3 Ni 1/3 O 2 is due to the dissolution of iron ions. Additionally, the extraction of sodium ions (after the Fe 3+ /Fe 4+ reaction) lowers the energy level of NaFe₁/₃Mn₁/₃Ni₁/₃O₂ below that of the electrolyte solvent, thereby inducing solvent decomposition. We establish screening criteria for electrolyte additives through theoretical calculations to improve capacity retention. We identified a series of nitrogen‐containing Lewis base additives that can kinetically bind efficiently to iron ions in NaFe₁/₃Mn₁/₃Ni₁/₃O₂ and thermodynamically exhibit stronger electron‐donating abilities than the solvents. A new compound, sodium bis(trimethylsilyl)amide (which has not been studied as a Na‐ion battery additive before), is selected through the Reaxys database (out of 61 molecules) because it is commercially available at a low price and is relatively stable in the electrochemical process. Such an additive is demonstrated to greatly improve the Coulombic efficiency and reduce the dissolution of iron ions of NaFe₁/₃Mn₁/₃Ni₁/₃O₂//hard carbon cells.
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 ».