MétaCan
Menu
Retour à la cohorte
Enregistrement W4252653155 · doi:10.1149/ma2019-02/41/1936

(Invited) Harvesting Solar Energy in Near Infrared

2019· article· en· W4252653155 sur OpenAlexaff
Dongling Ma

Notice bibliographique

RevueECS Meeting Abstracts · 2019
Typearticle
Langueen
DomaineEngineering
Thématiquesolar cell performance optimization
Établissements canadiensInstitut National de la Recherche Scientifique
Organismes subventionnairesnon disponible
Mots-clésNanomaterialsMaterials scienceNanotechnologyPlasmonNanostructureSemiconductorSolar energyAbsorption (acoustics)Near-infrared spectroscopyOptoelectronicsOpticsPhysics

Résumé

récupéré en direct d'OpenAlex

Broadening photon absorption into the near infrared (NIR) range represents a unique opportunity of improving the use of solar energy in various fields, including but not limited to solar fuel, solar cells and solar-enabled photo-degradation of pollutants. It is however challenging to realize this goal as most of traditional materials, such as dyes and semiconductors, do not absorb NIR lights efficiently. Recent advances of nanomaterials opens a new door in this research theme. In this talk, I will present some of our recent work on the design and synthesis of NIR absorbing materials, such as upconverting nanoparticles, plasmonic nanostructure with strong NIR plasmons, NIR absorbing quantum dots and two-dimensional black phosphorous, and on their combination with semiconductors for extending photon absorption into the NIR range for application in solar fuel and photocatalysis [1-8]. Rational design of hybrid nanomaterials, which is the key to maximize the benefits from respective nano-components, is highlighted. References: Am. Chem. Soc., 2013, 135, 9616; 2. Adv. Funct. Mater., 2019, under review; 3. Adv. Energy Mater. 2018, 1703658; 4. Adv. Funct. Mater. 2018, 1706235; 5. ACS Catalysis, 2017, 7, 6225; 6. Adv. Funct. Mater, 2015, 25, 2950; 7. Adv. Funct. Mater. 2015, 25, 6650; 8. Nanoscale Horizons, 2019, DOI: 10.1039/C8NH00373D

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 candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,129
Score d'incertitude au seuil0,774

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)0,0000,000

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 Opus0,007
Tête enseignante GPT0,187
Écart entre enseignants0,180 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueECS Meeting AbstractsMême sujetsolar cell performance optimizationTravaux en français237 207