三维多孔金属氧化物—碳复合涂层的电化学性能研究

来源 :上海工程技术大学 | 被引量 : 0次 | 上传用户:njpolice
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
锂离子电池是非常重要的充电储能器件,具有广泛的应用,如便携式电子设备和电动/混合动力汽车。清洁能源汽车的发展,特别是纯电动汽车的要求,需要有具有更高的容量,更好的循环和倍率性能的新的负极材料。一些过渡金属氧化物由于有比商用石墨电极更高的比容量,受到了广泛的注意。本文通过一种简单的刮涂工艺成功地在铜箔表面制备出具有三维网络结构的金属氧化物碳复合涂层。将溶解了SnCl2或硝酸锌、聚丙烯腈(PAN)和聚甲基丙烯酸甲酯(PMMA)的DMF溶液刮涂在铜箔表面在真空中烧结制备出含有相互分支的碳枝条的SnO2-C和ZnO-C两种复合涂层。通过研究这两种复合涂层,探究这种方法制备的金属氧化物-碳复合涂层的电化学性能。利用XRD、拉曼、XPS和TGA的测试手段分析复合涂层的成分和物相组成。再使用SEM、TEM和bet测试来分析复合涂层的微观结构以及纳米微孔的情况。最后通过电化学测试分析复合涂层的循环性能以及倍率性能。结果表明:SnO2-C复合涂层是由宽度为0.1-1μm的多孔无定形碳基枝条构成。碳基枝条含有大量尺寸1-5nm的微孔,并镶嵌了大量直径在30-100 nm的准球形无定形SnO2纳米粒子。复合涂层在50m A/g电流密度下循环100圈以后仍然有642mAh/g的放电比容量,还拥有很好的倍率性能,在200 m A/g,500 m A/g,1 A/g,2 A/g,5 A/g和10 A/g的电流密度下,稳定的放电比容量分别为533 mAh/g,463 mAh/g,397 mAh/g,364 mAh/g,314 mAh/g和276 m Ah/g。ZnO-C复合涂层也是由宽度为0.1-1μm的碳基枝条相互连接形成连续的三维网络结构,碳基枝条内包含ZnO纳米粒子和尺寸约为2nm的微孔。ZnO-C复合涂层负极材料在0.1A/g电流密度下经过100次循环后的比容量为855mAh/g,并且在循环过程中未出现容量衰减现象;在5A/g大电流密度下的比容量为418mAh/g,为0.1A/g电流密度下比容量的51.3%。这种制备方法流程简单,制备出的两种复合涂层有良好的电化学性能,特别是优异的倍率性能,使它们有希望成为下一代锂电池负极材料的候选人。
其他文献
在关于量子力学的早期研究中,精确可解量子力学势就引起了人们的广泛关注,大量的方法被应用到了薛定谔方程的求解之中。在这些方法中,李代数方法引起了研究者的很大兴趣。这
1983年,Haldane预言整数自旋的海森堡反铁磁链体系的第一激发态与基态之间存在能隙,而半整数自旋的海森堡反铁磁链的磁激发谱由于拓扑项的存在导致能隙消失。自此,整数自旋的
热场论是量子场论和统计力学的结合。这导致了这个理论既困难又很有趣。人们研究它的目的主要是描述为了描述夸克胶子等离子体等相对论热现象。人们推断当处于某个临界温度以
物体或者环境的三维重建一直是计算机视觉、摄影测量与遥感和计算机图形学领域的一个重点研究课题。在三维重建的过程中,由于诸多原因导致所得到的图像集中,可能会出现图像质量不高的情况,并且每张图像除了重建物体外还包含周围的环境,如果将这些质量不高和信息冗余的图像移交给三维重建系统,这不仅会增加系统的负荷,而且会增加重建时间,导致重建效率低下。因此本文提出的基于转台模式的多视三维重建前后景自动分割方法研究具
光场的量子特性研究,以及光场与物质的相互作用研究,在近代物理学的发展中一直占有重要地位。人们为了控制光场与原子的行为,设计了各种器件,微腔系统就是其中的一种。它的出现为
二十世纪中叶开始,由于城市对制造业的容纳能力减弱,欧洲大部分城市开始了去工业化进程,工业结构发生巨大的改变。原本集中分布的第二产业及其厂房仓库逐渐减少使用,并将位置
本文以厦门X酒店为主体,依托X酒店在线订单业务的第一手资料,旨在考察在线旅游环境下酒店的定价问题。研究考察在线旅游环境下酒店行业的定价问题可以从现实案例出发,总结在
电磁量能器(EMC)是北京谱仪(BESⅢ)的一个重要子探测器,它的基本功能是测量电子和中性粒子(γ光子)的位置和能量信息。EMC的粒子簇射位置重建精度直接影响末代粒子π0、η等
因全息存储具有极快的存储速率和极高的存储密度,而被认为是光存储领域最有前途的发展方向之一。制约全息存储商品化的难题主要集中在存储材料上,传统的存储材料总是存在着某些
高光谱遥感技术可以在矿物填图中发挥重要作用,高光谱矿物类型识别是实现矿物填图的重要环节,而由于矿物类型及其环境背景的复杂性,导致识别方法的精度不高,难以满足矿物填图的应用需求。而近年来兴起的深度学习技术能够从样本集中学习数据本质特征,被越来越多应用到高光谱数据的分析中。而利用深度学习的神经网络实现高光谱矿物分类,依赖从标签样本数据提取的矿物光谱特征,因而样本数据一定程度上影响着分类精度。目前从高光