Silicon solar cell enhancement by plasmonic silver nanocubes
Notice bibliographique
Résumé
Our paper presents a detailed numerical simulation and experimental study of the efficiency enhancement gained by optimizing metal nanocubes incorporated on the surface of silicon solar cells. We investigate the effects of nanoparticle size, surface coverage and spacer layer thickness on solar absorption and cell efficiency. The fabrication of nanocubes on solar cells is also presented, with the trends observed in simulation verified through experimental data. Testing reveals that nanocubes show worse performance than nanospheres when sitting directly on the silicon substrate; however, enhancement exceeds that of nanospheres when particles are placed on an optimized spacer layer of <i>SiO<sub>2</sub>, </i>for reasonable surface coverages of up to 25%. Our analysis shows that for a large range of particle sizes, 60 - 100<i>nm</i>, enhancement in light absorption remains at a high level, near the optimum. This suggests a high level of fabrication tolerance which is important due to the chemical growth mechanism used for nanocube synthesis, as it consistently produces nanocubes in that range. Further, we note that efficiency enhancement by nanocubes is influenced by particle size, surface coverage, and spacer layer thickness much differently than that for a spherical geometry, thus our study focuses on the optimization of the nanocube parameters. We show that 80nm nanocubes on a 25<i>nm SiO<sub>2</sub> </i>spacer layer realize ~ 24% enhancement in light absorption compared to an identical particle-free cell. Finally, we present both the numerical and experimental results for silicon solar cells coated with nanocube arrays.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».