MétaCan
Menu
Retour à la cohorte
Enregistrement W2082899833 · doi:10.1039/c2cp43475j

Cu nanoparticles enable plasmonic-improved silicon photovoltaic devices

2012· article· en· W2082899833 sur OpenAlexafffund
Michele Lemos de Souza, Paola Cório, Alexandre G. Brolo

Notice bibliographique

RevuePhysical Chemistry Chemical Physics · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueThin-Film Transistor Technologies
Établissements canadiensUniversity of Victoria
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaForeign Affairs and International Trade CanadaConselho Nacional de Desenvolvimento Científico e Tecnológico
Mots-clésPhotovoltaic systemPlasmonSiliconNanoparticleNanotechnologyPlasmonic nanoparticlesMaterials scienceOptoelectronicsEngineering physicsEngineeringElectrical engineering

Résumé

récupéré en direct d'OpenAlex

This work examines the effect of copper nanoparticles (Cu NPs) on the photocurrent efficiency of silicon photovoltaic (Si PV) devices. An optimized synthesis of stable Cu NPs is reported together with a procedure for their immobilization on the Si PV surface. A comprehensive analysis of the photocurrent and power dependence of the Cu NPs surface coverage and size is presented. A decrease in photoconversion was observed for wavelengths shorter than ~500 nm, due to the Cu interband absorption. In the low surface coverage limit, where the level of aggregation was found to be low, the surface plasmon resonance absorption dominates leading to a modest effect on the photocurrent response. As the number of aggregates increased with the surface coverage, the photocurrent efficiency also increased, and a maximum enhancement power conversion of 16% was found for a 54 ± 6 NPs per μm(2) PV cell. This enhancement was attributed to SPR light scattering and trapping into the Si PV device. Higher surface coverage yielded numerous aggregates which acted as a bulk coating and caused a decrease in both photocurrent and power measurements.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,207
Écart entre enseignants0,196 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2012
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePhysical Chemistry Chemical PhysicsMême sujetThin-Film Transistor TechnologiesTravaux en français237 207