MétaCan
Menu
Retour à la cohorte
Enregistrement W4248143688 · doi:10.24908/iqurcp.8799

11. Solar Juice - Creating Green and Cost-Effective Dye Sensitized Solar Cells

2016· article· en· W4248143688 sur OpenAlexvenueno aff
Susie Pan

Notice bibliographique

RevueInquiry Queen s Undergraduate Research Conference Proceedings · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueElectrochemical sensors and biosensors
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDye-sensitized solar cellEnvironmentally friendlyCarbon footprintPhotovoltaic systemCurrent (fluid)Citric acidMaterials sciencePulp and paper industryProcess engineeringEnvironmental scienceChemistryElectrolyteFood scienceEngineeringElectrical engineeringGreenhouse gas

Résumé

récupéré en direct d'OpenAlex

The goal of this project was to address the current need for alternative energy sources by investigating in dye-sensitized solar cells (DSSCs). This experiment explored ways to prolong the operational lifespan of DSSCs and increase their current production. Firstly, to prolong the effectiveness of the dye, benzoic acid was added to the solar cells as a preservative. Secondly, to prevent the evaporation of the liquid electrolyte, several sealing agents were used to seal the edges of the cells. Thirdly, to increase current production, different types of fruit dyes were mixed based on spectroscopy analysis, and produced solar cells with higher current readings than the control cells. A wider range of wavelength was absorbed by the combined dye. Citric acid in the form of lemon juice was also added to the dyes in order to increase current production as well as increase lifespan. The optimal pHs for current production of several dye molecules were determined. Factoring in carbon footprint and cost analysis, the solar cells are fabricated in the most efficient and environmentally‐friendly manner. Through this experiment, it has been revealed that DSSCs may eventually become a viable future technology with additional research and experimentation.

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 seuil0,009

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
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,038
Tête enseignante GPT0,299
Écart entre enseignants0,262 · 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

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInquiry Queen s Undergraduate Research Conference ProceedingsMême sujetElectrochemical sensors and biosensorsTravaux en français237 207