MétaCan
Menu
Retour à la cohorte
Enregistrement W4214913667 · doi:10.3390/nano12050826

Low-Cost Inorganic Strontium Ferrite a Novel Hole Transporting Material for Efficient Perovskite Solar Cells

2022· article· en· W4214913667 sur OpenAlexaff
Ankush Kumar Tangra, Mohammed Benali Kanoun, Souraya Goumri‐Said, Ahmed‐Ali Kanoun, Kevin P. Musselman, Jaspinder Kaur, Gurmeet Singh Lotey

Notice bibliographique

RevueNanomaterials · 2022
Typearticle
Langueen
DomaineEngineering
ThématiquePerovskite Materials and Applications
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesAlfaisal UniversityIndian Institute of Technology Delhi
Mots-clésMaterials sciencePerovskite (structure)Energy conversion efficiencyStrontiumZinc ferriteOptoelectronicsPerovskite solar cellSolar cellNanotechnologyZincChemical engineeringMetallurgyChemistry

Résumé

récupéré en direct d'OpenAlex

Perovskite solar cells attract significant interest due to their high-power conversion efficiencies. The replacement of charge-transporting layers using inorganic materials is an effective approach for improving stability and performance, as these materials are low-cost, highly durable, and environmentally friendly. This work focuses on the inorganic hole and electron transport layers (HTL and ETL), strontium ferrite (SrFe2O4), and zinc oxide (ZnO), respectively, to enhance the efficiency of perovskite solar cells. Favorable band alignment and high charge-collection capability make these materials promising. Experimental and computational studies revealed that the power conversion efficiency of the fabricated device is 7.80% and 8.83%, respectively. Investigating electronic properties and interface charge transfer through density functional theory calculations further corroborated that SrFe2O4 is a good HTL candidate. Our numerical device modeling reveals the importance of optimizing the thickness (100 nm and 300 nm) of the HTL and perovskite layers and defect density (1016 cm−3) of the absorber to achieve better solar cell performance.

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), Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,055
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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)0,0020,000

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 Opus0,010
Tête enseignante GPT0,209
Écart entre enseignants0,199 · 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

Citations13
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNanomaterialsMême sujetPerovskite Materials and ApplicationsTravaux en français237 207