Thermoelectric Properties of Ni<sub>0.05</sub>Mo<sub>3</sub>Sb<sub>5.4</sub>Te<sub>1.6</sub> with Embedded SiC and Al<sub>2</sub>O<sub>3</sub> Nanoparticles
Notice bibliographique
Résumé
Abstract First, a large sample of Ni 0.05 Mo 3 Sb 5.4 Te 1.6 was prepared by heating the elements in the stoichiometric ratio. β‐SiC nanoparticles were added in volume fractions, f , of 0.01, 0.02, and 0.034 to three different portions of the material, and a portion without SiC nanoparticles was retained as a reference. All four samples were subjected to consolidation by hot‐pressing. Furthermore, Al 2 O 3 nanoparticles were added in volume fractions of f = 0.01, 0.0216, and 0.0325 to three other portions, again retaining a fourth protion as reference. These four samples were consolidated by spark‐plasma sintering. The thermoelectric transport properties of these composites were characterized from 325 to 740 K. For the sample with 0.01 volume fraction of SiC, there was an enhancement in figure of merit by 18 % compared with the reference sample, mainly due to an 18 % reduced thermal conductivity. The 9 % reduction in thermal conductivity of the sample with 0.01 volume fraction of Al 2 O 3 was not enough to compensate the loss in the power factor of 18 %, leading to a decrease in the figure of merit. Microstructural information obtained by SEM, TEM, and BET was used to elucidate the phase and transport properties. The spark‐plasma‐sintered bulk sample has a figure of merit that is 35 % higher than the bulk sample consolidated through hot‐pressing.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».