MétaCan
Menu
Retour à la cohorte
Enregistrement W2807412463 · doi:10.1016/j.rinp.2018.05.037

Efficiency enhancement through flat intermediate band in Quantum dot solar cell

2018· article· en· W2807412463 sur OpenAlexaff
Ali Imran, Jianliang Jiang, Deborah Eric, Muhammad Noaman Zahid, Muhammad Yousaf, Muhammad Ahmad, Syed Ali Hassan

Notice bibliographique

RevueResults in Physics · 2018
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueSemiconductor Quantum Structures and Devices
Établissements canadiensInstitut National de la Recherche Scientifique
Organismes subventionnairesnon disponible
Mots-clésQuantum dotFlatness (cosmology)OptoelectronicsMultiple exciton generationSolar cellAbsorption (acoustics)Materials scienceDopingFermi levelEnergy conversion efficiencyRange (aeronautics)Quantum efficiencyVoltagePhotonPhysicsOpticsElectronQuantum mechanics

Résumé

récupéré en direct d'OpenAlex

Quantum dots (QD) are playing a vital role due to their multifunctionality such as small size and tuning the range of band and have achieved a considerable attention in the recent decade. In recent research, the efficiency of the solar cell (SC) has greatly been increased by application of QD. If these dots are grown systematically, may lead to the formation of the intermediate band (IB) which leads to the absorption of photons with energy less than the actual band through intermediate absorption process and hence increasing the carrier generation rate which ultimately results in high current density keeping the output voltage unaffected. In this paper, we have proposed a method to control the band flatness of the IB in InAs/GaAs QDSC. The flatness is achieved by optimizing the doping concentration and Fermi level (FL) of the surrounding layers. Results show that the maximum 44.12% efficiency can be achieved under maximum optical intensity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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 recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,016
Tête enseignante GPT0,274
Écart entre enseignants0,258 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations21
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResults in PhysicsMême sujetSemiconductor Quantum Structures and DevicesTravaux en français237 207