Hierarchical Tin Oxide Nanostructures for Dye‐Sensitized Solar Cell Application
Notice bibliographique
Résumé
Nanoscale material manipulation is the key to increasing solar light harvesting and photon‐to‐electron conversion efficiency (PCE) for an organic–inorganic photovoltaic system. Many SnO2 1D nanostructures, including nanowires and nanobelts, have been employed because of their potential of enhancing the charge collection properties of DSSCs by eliminating losses caused by grain boundary scattering of carriers in nanoparticle‐based DSSCs. Here, a new approach to growing hierarchical 1D SnO2 nanostructured layer by catalyst‐assisted pulsed laser deposition after introducing NiO into the SnO2 target is reported, and a plausible growth mechanism to describe the observed hierarchical nanostructures is presented. A remarkable improvement in the solar cell performance, including open circuit voltage, short circuit current density, fill factor, and PCE, by simple surface modification of the hierarchical SnO2 nanostructured photoanode is further demonstrated. Surface passivation is achieved on the as‐deposited hierarchical SnO2 nanostructures by dip coating with an MgO passivation layer of appropriately optimized thickness. Such an insulating layer is found to effectively reduce the recombination process caused by the higher electron mobility of SnO2 photoanode nanostructures. Compared with a pristine SnO2 nanobelt photoanode, a tenfold enhancement in their PCE (to 4.14%) has been observed for MgO‐passivated hierarchical SnO2 nanostructures.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».