The Role of Na Doping in Li-Rich Li–Mn–Ni–O Layered Oxides
Notice bibliographique
Résumé
Lithium- and manganese-rich layered oxides, especially cobalt-free compositions, have gained considerable attention as sustainable and cost-effective cathode materials for lithium-ion batteries. This attention is largely due to the relative abundance and low cost of Mn compared to Ni and Co. However, these materials face critical challenges, including voltage and capacity fade, structural instability, and transition metal (TM) dissolution. Sodium doping has been proposed as a promising strategy to address these issues by expanding the lithium interlayer spacing, reducing cation mixing, and introducing stabilizing defects. Herein, we present the impact of sodium substitution across a broad compositional range (0–20%) in Li 1+ x Na y (Ni 0.35 Mn 0.65 ) 1– x – y O 2 by synthesizing and characterizing 128 compositions within the Li–Na–Ni + Mn pseudoternary system. Using high-throughput X-ray diffraction, elemental analysis, and electrochemical testing of all samples, we accurately mapped the layered solid-solution region, despite substantial Li and Na loss during synthesis. The solid-solution region extends to high sodium content (13% of all cations) and spans both stoichiometric Li contents and Li-rich compositions. We uncover strong relationships between composition, structural stability, and electrochemical performance. Our results show that moderate sodium doping (∼2–8%) stabilizes the layered phase at low Li content and enhances electrochemical performance at high Li content. Additionally, several lithium-rich multiphase compositions display extreme capacity growth (e.g., 250% over 7 cycles), which yields the highest discharge capacity after 10 cycles of approximately 225 mA h g –1 . Furthermore, we systematically quantified TM dissolution under aggressive cycling and found that high Li content is needed to suppress TM dissolution and that this is resilient to the addition of sodium. Thus, we determine the optimal sodium content that improves battery performance while also showing good stability against TM dissolution due to the high Li content. These results highlight the importance of systematically exploring complex composition spaces, as small compositional changes can dramatically impact performance.
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 ».