Emerging Photovoltaic (PV) Materials for a Low Carbon Economy
Notice bibliographique
Résumé
Emerging photovoltaic (PV) technologies have a potential to address the shortcomings of today’s energy market which heavily depends on the use of fossil fuels for electricity generation. We created inventories that offer insights into the environmental impacts and cost of all the materials used in emerging PV technologies, including perovskites, polymers, Cu2ZnSnS4 (CZTS), carbon nanotubes (CNT), and quantum dots. The results show that the CO2 emissions associated with the absorber layers are much less than the CO2 emissions associated with the contact and charge selective layers. The CdS (charge selective layer) and ITO (contact layer) have the highest environmental impacts compared to Al2O3, CuI, CuSCN, MoO3, NiO, poly (3-hexylthiophene-2,5-diyl (P3HT)), phenyl-C61-butyric acid methyl ester (PCBM), poly polystyrene sulfonate (PEDOT:PSS), SnO2, spiro-OMeTAD, and TiO2 (charge selective layers) and Al, Ag, Cu, FTO, Mo, ZnO:In, and ZnO/ZnO:Al (contact layers). The cost assessments show that the organic materials, such as polymer absorbers, CNT, P3HT and spiro-OMeTAD, are the most expensive materials. Inorganic materials would be more preferable to lower the cost of solar cells. All the remaining materials have a potential to be used in the commercial PV market. Finally, we analyzed the cost of PV materials based on their material intensity and CO2 emissions, and concluded that the perovskite absorber will be the most eco-efficient material that has the lowest cost and CO2 emissions.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».