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。

157浏览量
原文链接
相关报告

  • 《为提高太阳能电池效率而收取的费用。》
    • 来源专题：纳米科技
    • 编译者：郭文姣
    • 发布时间：2018-05-04
    • 漏斗是将液体输送到狭窄开口的容器中的有效工具。现在，埃克塞特的研究人员已经证明了芯片上的第一个电荷漏斗。这一发现建立在能够氧化原子薄的半导体，铪二硫化物(HfS2)和高强度紫外激光器的能力上。氧化和非氧化区域之间的非均匀应变，以及随后的带隙调制，产生电场，有效地将半导体薄片上的电荷转移到可以更容易收集的区域。这一概念可以使新一代太阳能电池的效率达到60%(目前约为21%)，这要归功于收集光激发电荷的效率提高以及热载体提取的潜力。 强激光意味着氧化，氧化意味着压力。 一般来说，在断裂之前，大块半导体只能承受高达0.4%的压力。然而，一层只有几个原子厚的半导体能承受高达25%的压力。这种应变的大小改变了能量色散中的带隙，达到了1ev。在这项工作中，萨维里奥·罗素和他在埃克塞特大学的小组，用375纳米的激光诱导了HfS2的应变，以去除硫原子，然后被氧原子所取代。根据密度泛函理论计算，铪原子在HfS2和HfO2中有不同的分色。这在氧化和非氧化区域之间的边界产生了2.7%的应变。电接触将材料锚定在基片上，因此，整个薄片上呈现出应变梯度，将不对称的传导和价带向更高的能量转移，并在30兆电子伏下打开带隙。 收集汇集的指控 另一个制造有用的电荷漏斗的关键是确保电荷转移到更容易提取的区域。在大多数直接的半导体(例如GaAs)中，漏斗效应会将电荷推到紧张的区域。通过使用HfS2，这是一种间接的半导体，电荷被推离了应变区域，靠近薄片边缘的电极，正如反电荷漏斗所观察到的那样。为了测试反电荷漏斗，一个场效应晶体管使用一薄片的模式HfS2/HfO2。研究人员用激光激发了薄片中的电荷，并利用扫描光电流显微镜来测量这些电荷的电流。在一个小区域被氧化后，他们对同一装置进行了比较，在HfS2和HfO2的界面附近区域的反应增加了350%。他们对系统的理论计算支持了结果，同时也揭示了电荷载体的寿命增加了大约4个数量级——这是电荷漏斗效应的另一个指标。 ——文章发布于2018年4月27日
    65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
    245浏览量
    原文链接