MétaCan
Menu
Retour à la cohorte
Enregistrement W4205617338 · doi:10.1002/solr.202100916

Batteries to Keep Solar‐Driven Water Splitting Running at Night: Performance of a Directly Coupled System

2022· article· en· W4205617338 sur OpenAlexaff
Li‐Chung Kin, Oleksandr Astakhov, Minoh Lee, Stefan Haas, Kaining Ding, Tsvetelina Merdzhanova, Uwe Rau

Notice bibliographique

RevueSolar RRL · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced battery technologies research
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésBattery (electricity)Renewable energyEnvironmental scienceSoftware portabilityAutomotive engineeringElectrical engineeringComputer scienceProcess engineeringMaterials sciencePower (physics)EngineeringPhysicsOperating system

Résumé

récupéré en direct d'OpenAlex

Direct solar‐powered hydrogen generation (so‐called “green” hydrogen) is promising as a renewable fuel that can be generated anywhere there is sunshine and water. Many attempts are made to integrate a water electrolyzer (EC) and solar cell at different levels (a so‐called artificial leaf) to take advantage of the reduced losses from the lack of wiring and optionally increased portability afforded by an integrated unit. However, in many cases, EC catalysts degrade as electrodes depolarize when shut down at night. Much less attention is paid to the need for a minimum current across the EC under insufficient illumination to prevent excessive cyclic degradation. Directly coupling a battery to keep an artificial leaf running at night can address this need and, in theory, also increase solar‐to‐hydrogen (STH) efficiency. A seven‐cell silicon heterojunction module, two bifunctional NiFeMo ECs in series, and a commercial Li‐ion NMC battery are selected to provide the same amount of solar output power despite different working voltages and tested in a series of simulated diurnal cycles. The increased average STH efficiency per cycle (11.4% vs. 10.5% without the battery) is analyzed and discussed with implications for future artificial leaf design and implementation.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,012

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 savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,010
Tête enseignante GPT0,219
Écart entre enseignants0,210 · 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'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

Citations12
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSolar RRLMême sujetAdvanced battery technologies researchTravaux en français237 207