登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《 合成'' Ti'' 材料与太阳能电池的光电效率提高》

  • 来源专题：可再生能源
  • 编译者： tracyludong
  • 发布时间：2014-11-05

  • M： 金属离子 ；L1、 L2： 连接器 ；黄色球： 客体分子。模块化、 多功能的结构提供了光收获 MOFs 机制的三种可能： A） 一个或多个有机链接器类型框架 B) 光吸收的客体分子在毛孔 ；C） 电荷转移相互作用客体分子和产生新的吸收到红色的孤立的客体和链接器的 MOF 连接器。

122浏览量
原文链接
相关报告

  • 《华理钙钛矿太阳能电池空穴传输材料研究新成果》
    • 来源专题：中国科学院文献情报制造与材料知识资源中心 | 领域情报网
    • 编译者：冯瑞华
    • 发布时间：2018-07-18
    • 华东理工大学化学与分子工程学院吴永真特聘教授和朱为宏教授在钙钛矿太阳能电池空穴传输材料 （HTMs） 领域取得进展，相关研究工作 “ Low cost and stable quinoxaline-based hole-transporting materials with a D–A–D molecular configuration for efficient perovskite solar cells ” 被国际知名化学期刊《 Chemical Science 》在线报道。 钙钛矿太阳能电池的空穴传输层能够促进光生电荷的提取和收集，并保护吸光层。目前，钙钛矿太阳能电池器件中常用的 HTM 是 2,2',7,7'- 四 [N,N- 二 (4- 甲氧基苯基 ) 氨基 ]-9,9'- 螺二芴 (spiro-OMeTAD) ，其昂贵的成本是制约钙钛矿太阳能电池实际应用的瓶颈之一。部分研究工作表明，将复杂的螺芴核替换成简单的 π 桥连，构建给体 -π 桥连 - 给体 (D-π-D) 型 HTM ，可以简化合成路线，降低成本。然而， π 桥连的富电子性会抬高分子 HOMO 能级，降低其本征稳定性。研究人员通过引入弱吸电子的喹喔啉单元，构建给体 - 受体 - 给体 (D-A-D) 型 HTM ，合理调控 HTM 的 HOMO 能级，优化钙钛矿太阳能电池器件界面能带排布。与spiro-OMeTAD 相比，这种 D-A-D 型的 HTM 分子具有更好的光稳定性，热分解温度提升了 30 o C ，合成成本降低了 30 倍。以噻吩取代的 HTM 分子 TQ2 制备的钙钛矿太阳能电池器件取得了 19.62% 的光电转换效率，优于参比化合物 spiro-OMeTAD(18.54%) 以及苯环取代的 HTM 分子 TQ1(14.27%) 。荧光寿命表征以及导电率测试表明噻吩取代的 HTM 分子有更好的空穴提取和传输能力。进一步通过单晶分析发现 TQ2 分子间存在 S---S 以及 S---π 相互作用，缩短了分子间三苯胺单元的距离，增加了空穴传输通道。该工作为设计低成本、高性能的钙钛矿太阳能电池空穴传输层提供了新思路。 该论文由博士生张浩在朱为宏教授和吴永真特聘教授的共同指导下完成，得到了田禾院士的悉心指导。相关工作得到了基金委创新研究群体项目、国家自然科学基金重点项目、上海市东方学者人才计划、中国化学会“青年人才托举工程”和中央高校基本科研专项资金等科研项目的资助。
    175浏览量
    原文链接

  • 《人工智能软件协助设计太阳能电池的新材料》
    • 来源专题：可再生能源
    • 编译者：pengh
    • 发布时间：2018-09-13
    • 利用材料信息学探索聚合物太阳能电池的新聚合物。(上)由电子供体、电子受体和烷基链组成的聚合物结构的例子。(中)随机森林法分类。(下)材料信息学、实践实验与人类智能的协同结合。 信贷:大阪大学 在转向可再生经济的过程中，太阳能电池将发挥关键作用。有机光伏(OPVs)是一种很有前途的太阳能电池，基于一种吸光有机分子和一种半导体聚合物。 OPVs由廉价、轻质的材料制成，安全可靠，易于生产。然而，它们的能量转换效率(PCEs)——将光转化为电能的能力——仍然太低，无法实现全面的商业化。 PCE既依赖于有机层，也依赖于聚合物层。传统上，化学家通过反复试验来试验这些物质的不同组合，从而浪费了大量的时间和精力。 现在，大阪大学的一个研究小组已经使用计算机来自动搜索匹配良好的太阳能材料。在未来，这可能会导致更高效的设备。这项研究发表在《物理化学快报》杂志上。 “聚合物的选择会影响一些特性，比如直接决定PCE的短路电流，”第一作者长川信司解释道。然而，要设计出性能更好的聚合物并不是一件容易的事情。传统的化学知识是不够的。相反，我们使用人工智能来指导设计过程。 信息学可以通过探测人类专家无法察觉的统计趋势，从而对庞大而复杂的数据集有意义。研究小组从大约500个研究中收集了1200个opv的数据。利用随机森林机器学习，他们建立了一个模型，结合了这些前OPVs的带隙、分子量和化学结构，以及它们的PCE，来预测潜在的新设备的效率。 Random Forest揭示了在OPVs中材料性能与其实际性能之间的改进相关性。为了利用这一点，该模型被用于自动“筛选”预期聚合物的理论PCE，然后根据实践中可合成物的化学直觉，削减了顶级候选聚合物的名单。 这一策略促使该团队开发出了一种新的、此前未经测试的聚合物。在这种情况下，基于第一次尝试的实用OPV比预期的效率低。然而，该模型对结构-属性关系提供了有用的见解。它的预测可以通过包括更多的数据来改进，比如聚合物在水中的溶解度，或者它们骨架的规律性。 “机器学习可以极大地加速太阳能电池的发展，因为它可以瞬间预测出在实验室需要几个月的结果，”合著者Akinori Saeki说。“这并不是对人类因素的直接替代，但它可以为分子设计师选择探索哪条路径提供关键支持。” ——文章发布于2018年5月29日
    208浏览量
    原文链接