Proton Selective Nanoporous Atomically Thin Graphene Membranes for Vanadium Redox Flow Batteries
Notice bibliographique
Résumé
Abstract Angstrom‐scale proton‐selective pores in atomically thin 2D materials present fundamentally new opportunities for advancing proton exchange membranes (PEMs). Vanadium Redox Flow Batteries (VRFBs) for grid‐scale energy storage require PEMs with high areal proton conductance (>1 S cm −2 ) and minimal vanadium ion (VO 2+ ) crossover. However, state‐of‐the‐art Nafion 212 membranes (N212 ≈50 µm thick), suffer from persistent VO 2+ crossover reducing performance and efficiency. Here, a layered PEM is demonstrated, comprising monolayer CVD graphene with Angstrom‐scale proton‐selective pores introduced via Ar plasma, integrated with an ultra‐thin ≈300 nm polybenzimidazole (PBI) layer and sandwiched between two Nafion 211 (25 µm thick) layers. The layered architecture facilitates scalable membrane fabrication by mitigating defects while processing and facile stacking of graphene layers allows stochastic non‐selective defect isolation enabling exceptionally low VO 2+ crossover (selectivity (H + areal conductance / VO 2+ permeability) ≈6709 × 10 6 S min cm −4 ), with proton conductance >8 S cm −2 . Systematic transport experiments supported by resistance‐based transport modelling elucidate the role of defect size, defect isolation, and sealing, as well as layering/stacking, to enable orders of magnitude (>671× over N212) improvements in selectivity, along with areal proton conductance >8 S cm −2 . This work highlights the potential of atomic‐scale proton‐selective defect engineering in 2D materials, in conjunction with facile stacking and layering of materials as strategies for scalable, high‐performance advances in PEMs for energy, electrochemical, and separation applications beyond VRFBs.
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) | 0,001 | 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 ».