Secondary Electron Hyperspectral Imaging of Carbons: New Insights and Good Practice Guide
Notice bibliographique
Résumé
Energy storage technologies such as lithium-ion batteries (LIBs) incorporate carbon components key to their function. Graphite and carbon binder components in LIB electrodes are engineered to deliver critical electrical and mechanical properties, as are the surface chemistry and morphology of carbon blacks (CBs) in LIBs and catalysts. The challenge of relating surface chemistry to morphology is complicated by the numerous forms of carbon bonding and potential for surface functional groups. Furthermore, materials processing can influence bonding and structure of carbon at multiple length scales, as seen in mechanochemical functionalization of CBs. To understand the nature of carbon surfaces, secondary electron hyperspectral imaging (SEHI) is introduced as a spatially resolved analysis bridging the nano to microscale. The ability to provide novel insights is demonstrated three example applications: observation of nanoscale "satellite" particles of amorphous hydrogenated carbon on graphitic CB particles, differentiation between graphitic and amorphous hydrogenated nano-thickness carbon coatings on particles of lithium iron phosphate, and differentiation between graphitic carbon active material and carbon binder domain in a LIB anode material. SEHI analysis using peak fitting models for graphitic and disordered carbons is developed based on reference materials and standard spectroscopic methods: Raman spectroscopy and X-ray photoelectron spectroscopy.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».