MétaCan
Menu
Retour à la cohorte
Enregistrement W2983228654 · doi:10.22215/etd/2014-10518

Light Trapping in Thin-Film Silicon Solar Cells Via Plasmonic Metal Nanoparticles

2014· dissertation· en· W2983228654 sur OpenAlexafffund
Ryan Veenkamp

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineEngineering
ThématiqueThin-Film Transistor Technologies
Établissements canadiensCarleton University
Organismes subventionnairesUniversity of WaterlooUniversity of Ottawa
Mots-clésPlasmonic solar cellMaterials scienceOptoelectronicsThin filmSiliconPlasmonSolar cellQuantum dot solar cellShort circuitDielectricCrystalline siliconPolymer solar cellNanotechnologyElectrical engineeringEngineeringVoltage

Résumé

récupéré en direct d'OpenAlex

Cost cutting for solar cells in grid power applications is necessary in order to drive large-scale adoption and use of renewable solar energy. Despite the large recent cost reductions in crystalline silicon solar cells, thin-film solar cells also have a viable place in the market. These cells have several potential advantages over their thicker bulk crystalline silicon cousins including lower embodied energy and material costs, higher optical absorption rates and lower material purity requirements. The continuing issue with thin-film solar cells is the short optical path length through the absorbing layer and solving this whilst not increasing recombination rates requires the use of clever light trapping techniques. The purpose of this thesis is to investigate the effectiveness of plasmonic nanoparticles, in particular nanocubes, for light trapping in thin-film solar cells through numerical simulation and experimental demonstrations.

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 enseignants0,017
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
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 Opus0,006
Tête enseignante GPT0,194
Écart entre enseignants0,188 · 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

Citations3
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetThin-Film Transistor TechnologiesTravaux en français237 207