3D Hierarchically Porous High‐Mass Loading SiO <sub>x</sub> Anodes Enabled by Consecutive Multi‐Layer Printing and Mid‐Infrared Laser Annealing
Notice bibliographique
Résumé
Abstract Developing high‐energy‐density SiO x anodes for lithium‐ion batteries requires the strategy to address critical issues related to poor electron/ion transport kinetics and large volumetric changes during cycling. In this study, a novel approach is presented that combines digitally programmable 3D printing and mid‐infrared laser annealing techniques. The chemical scheme is designed for synthesizing carbon‐SiO x nanocomposites using a soft‐templated sol–gel method, in which molecularly incorporated carbon nanodomains are capable of efficiently absorbing mid‐infrared wavelength photons. During laser annealing, the carbon nanodomains serving as photothermal agents enable not only a highly efficient, localized carbothermal reduction to produce electrochemically active SiO x but also trigger the carbonization/graphitization of the polyacrylic acid binder for forming an electrically conductive framework. Consequently, this results in the formation of dual‐porous SiO x anode, featuring mesopores (≈8 nm in diameter) and macropores (100–600 nm in diameter). In parallel, the digitally programmable 3D printing process defines a grid‐pore channel architecture (with a spacing of ≈200 µm). It comprehensively enhances electron/ion transport and structural integrity in ultrathick electrodes. The resulting 3D anode achieves a high areal capacity of 9.5 mAh cm −2 at a mass loading as high as 6.6 mg cm −2 . Combinatorial analyses reveal that the 3D‐printed and laser‐annealed SiO x anode achieves a significantly enhanced electrochemical performance, attributed to a substantial increase in electrical conductivity and Li‐ion diffusion coefficient, along with the formation of a LiF‐rich thin SEI layer.
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 ».