Loading...
机构名称:
¥ 1.0

水性涂层:OQ化学物质提出了Oxvolt S221,以防止在2024年9月16日,德国莱顿离子电池中的高能电极开裂 - 全球化学公司OQ Chemicals Oxvolt S221,Oxvolt S221,为水上电极提供了新的电型涂料,可用于涂抹电池,并在耐水涂料中提供涂料后的涂料。尤其是汽车行业需要高性能,耐用和环保的电池,以作为电子动力的基础。Oxvolt S221特别适合高能石墨阳极,并且已经得到了一些电池电池制造商的批准。它充当膜形成剂(也合并),并确保石墨阳极的均匀涂层。与传统的水基制造工艺相比,这允许更好的电极处理并降低生产失败率。oxvolt S221通过优化浆料的混合特性和涂层和第一个干燥阶段后的混合特性来降低浆液的粘度并促进加工。oxvolt S221充当类似于N-甲基吡咯烷酮的溶剂,但很容易生物降解且无毒。它是水溶性的,并以百分之几的共溶剂添加到水中。它在干燥过程中完全蒸发。“在Itzehoe的Customcells的试验测试中,Oxvolt S221在水基石墨阳极生产过程中显示,与纯粹的水基生产过程相比,它有可能提高石墨阳极生产的效率。电池电池的电气和寿命不受影响。在C率*和300个电荷周期老化测试之后,与纯粹的水基制造过程相比,性能没有显着差异。” OQ Chemicals全球业务开发总监Claudia Fischer博士说。对于LFP阴极,Oxvolt S221作为水中的共溶剂也显示出令人鼓舞的结果,并提高了电极的加工性。这项技术支持电动汽车高性能,环保,高能电池的发展。OQ化学品在美国生产Oxvolt S221,为西方工业客户提供了供应链。对于美国客户,该产品符合《降低通货膨胀法》(IRA)的要求。OQ化学品支持欧盟电池护照计划,该计划使电池中使用的化学物质的可追溯性,从而促进了循环经济。Oxvolt是OQ化学品的注册商标。* C率表示充电或放电电池所需的时间。关于OQ化学品OQ化学物质(以前为OXEA)是OXO中间体和Oxo性能化学物质的全球制造商,例如醇,多醇,羧酸,特种酯和胺。这些用于生产高质量的涂料,润滑剂,化妆品和药品,风味和香水,印刷油墨和塑料。OQ化学品在全球拥有1,400多名员工,并在60多个国家 /地区销售其化学品。该公司是OQ的一部分,OQ是一家起源于阿曼的综合能源公司。Chemicals.oq.com下的更多信息媒体联系OQ Chemicals GmbH,Rheinpromenade 4A,40789 Monheim Am Rhein,德国,Dr. Ina Werxhausen博士,通讯和新闻关系电话:+49(0)2173 9993-3152,sc.communications@oq.com

240916在Oxvolt S221 中

240916在Oxvolt S221 中PDF文件第1页

相关文件推荐

2024 年
¥1.0
2023 年
¥2.0
2022 年
¥7.0
2024 年

b"作者姓名:Divyanshu Tak 1,2, ;Biniam A. Garomsa 1,2 ;Tafadzwa L. Chaunzwa 1,2,10 ;Anna Zapaishchykova 1,2, ;Juan Carlos Climent Pardo 1,2 ;Zezhong Ye 1,2, ;John Zielke 1,2 ;Yashwanth Ravipati 1,2 ;Sri Vajapeyam 4 ;Ceilidh Smith 2 ;Kevin X.Liu 4 ;Pratiti Bandopadhayay 4,5 ;Sabine Mueller 9 ;黄蒙德4,5,11; Tina Y. Poussaint 4,5;Benjamin H. Kann 1,2,5 * 作者隶属关系:1. 哈佛医学院麻省总医院医学人工智能 (AIM) 项目,美国马萨诸塞州波士顿 2. 哈佛医学院丹娜—法伯癌症研究所和布莱根妇女医院放射肿瘤学系,美国马萨诸塞州波士顿 3. 马斯特里赫特大学 CARIM & GROW 放射学和核医学系,荷兰马斯特里赫特 4. 波士顿儿童医院,美国马萨诸塞州波士顿 5. 丹娜—法伯癌症研究所,美国马萨诸塞州波士顿 6. 密歇根州立大学,美国密歇根州东兰辛 7. 费城儿童医院,美国费城 8. 宾夕法尼亚大学,美国宾夕法尼亚州 9. 加利福尼亚大学神经内科、神经外科和儿科系,美国旧金山 10. 纪念斯隆凯特琳癌症中心中心,纽约,美国 11. 哈佛医学院布莱根妇女医院放射科,马萨诸塞州波士顿。 * 通讯作者 通讯地址:Benjamin H. Kann,医学博士 医学人工智能 (AIM) 项目,麻省总医院布莱根,哈佛医学院,221 Longwood Avenue,Ste 442,波士顿,马萨诸塞州 02115,美国 电子邮件:Benjamin_Kann@dfci.harvard.edu 摘要 应用于脑磁共振成像 (MRI) 的人工智能 (AI) 有可能改善疾病的诊断和管理,但需要具有可泛化知识的算法,以便在各种临床场景中表现良好。到目前为止,该领域受到有限的训练数据和特定于任务的模型的限制,这些模型不能很好地应用于患者群体和医疗任务。基础模型通过利用自我监督学习、预训练和有针对性的适应,提出了一个有前途的范例来克服这些限制。在这里,我们介绍了脑成像自适应核心 (BrainIAC),这是一种新颖的基础模型,旨在从未标记的脑 MRI 数据中学习广义表示,并作为各种下游应用适应的核心基础。我们在 48,519 个脑 MRI 上进行了广泛任务的训练和验证,证明 BrainIAC 优于局部监督训练和其他预训练模型,特别是在低数据设置和高难度任务中,允许在其他不可行的情况下应用。

¥3.0