MétaCan
Menu
Retour à la cohorte
Enregistrement W4415027622 · doi:10.1021/acsami.5c11392

Optical Determination of Hydrofluoric Acid Content in Lithium-Based Electrolytes

2025· article· en· W4415027622 sur OpenAlexafffund
Dhwani Arun, Razieh Firouzi-Haji, Ebrahim Ghadirzadeh, Michael D. Fleischauer, Moritz E. Kleybolte, Sergei I. Vagin, Jonathan G. C. Veinot, A. Meldrum

Notice bibliographique

RevueACS Applied Materials & Interfaces · 2025
Typearticle
Langueen
DomaineChemical Engineering
ThématiqueAnalytical Chemistry and Sensors
Établissements canadiensNational Research Council CanadaNational Institute for NanotechnologyUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaAlberta InnovatesUniversity of Alberta
Mots-clésHydrofluoric acidElectrolyteEthylene carbonateSalt (chemistry)EthyleneBattery (electricity)FluorescenceDiethyl carbonate

Résumé

récupéré en direct d'OpenAlex

Lithium-ion batteries powering electric vehicles can contain up to ∼100 liters of electrolyte solution. This solution typically consists of LiPF 6 salt dissolved in a mixture of organic carbonates such as ethylene carbonate and diethyl carbonate. LiPF 6 decomposes upon exposure to water vapor or other protic impurities, leading to the formation of up to 3 equivalents of hydrofluoric acid (HF) per molecule of decomposed salt. HF is a deadly and volatile substance that is corrosive to cell and battery components. Here, we describe an all-optical method that can report on the concentration of HF in LiPF 6 -based electrolytes. The method is based on a specially designed fluorescent dye incorporated in the working electrolyte. The dye response to HF is quantified so that photographic imaging or even visual inspection can be used to indicate the HF concentration in the electrolyte. The method is, moreover, compatible, in principle, with in situ reporting of HF levels during cell assembly and operation.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,239
Écart entre enseignants0,226 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS Applied Materials & InterfacesMême sujetAnalytical Chemistry and SensorsTravaux en français237 207