Thermoelectric performance of Ni, Co, and Fe nanoparticles incorporated into their metal borates glassy matrices
Notice bibliographique
Résumé
Abstract Here, we present our current attempt to intrinsically dope Ni 0 , Co 0 , and Fe 0 nanoparticles within Ni II ‐, Co II ‐, and Fe II ‐borate glassy matrices, respectively. The system was prepared by one‐pot reaction of the desired M T II salt with excess NaBH 4 through an in‐situ reduction and hydrolysis processes to afford metallic M T 0 nanoparticles dispersed into the M T ‐BO 3 matrix. The composition and structural characteristics of these M T 0 :M T ‐BO 3 materials were identified by thermal oxidation, ATR‐IR, X‐ray powder diffraction, and magnetic techniques as glassy/amorphous borate matrices containing magnetic nanoparticles. The electrical conductivity ( σ ) of cold‐pressed discs of these metal‐doped composites shows that they behave as nonohmic semiconductors within the temperature range of 303 ≤ T ≤ 373 K suggesting a mixed electronic‐ionic conduction. However, their thermal conductivity ( κ ) occurs through phonon lattice vibration dynamics rather than electronic. The σ / κ ratio shows a steep non‐linear increase from 9.4 to 270 KV −2 in Ni 0 :Ni‐BO 3 . In contrast, a moderate‐weak increase is observed for Co 0 :Co‐BO 3 and Fe 0 :Fe‐BO 3 analogs. The obtained materials are examined for thermoelectric (TE) applications by determining their Seebeck coefficient ( S ) power factor (PF), figure of merit (ZT), and conversion efficiency ( η %). All the TE data shows that Ni 0 :Ni‐BO 3 ( S , 80 μVK −1 ; PF, 97.7 mWm −1 K −1 ; ZT 0.54; η , 2.15%) is a better TE semiconductor than the other two M T 0 :M T ‐BO 3 . This finding shows that Ni 0 :Ni‐BO 3 is a promising candidate to exploit low‐temperature waste heat from body heat, sunshine, and small domestic devices for small‐scale TE applications.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| 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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».