Recent Advances in the Nanomaterials, Design, Fabrication Approaches of Thermoelectric Nanogenerators for Various Applications
Notice bibliographique
Résumé
Abstract Thermoelectric nanogenerators (TENGs) are promising sustainable energy devices that utilize thermoelectric (TE) effect of nanomaterials to convert a temperature gradient into electrical energy. Compared to bulk thermoelectric generators (TEGs) that are commercially available, TENGs are more flexible and power‐dense, owing to their tuneable nanostructures. Hence, smaller TENGs are better suited for small form‐factor applications like wearable electronics, internet of things (IoT) devices, and self‐powered sensors. However, the higher complexity and cost of TENGs than TEGs inhibit their widespread adoption. This review appraises the latest advances in TENG materials, design, and fabrication in optimizing the performance of TENGs, making TENGs more viable for real‐world applications. More precisely, this work examines how nanostructure engineering, nanomaterial compositing, and post‐synthesis treatment approaches have enhanced the TE properties of common and promising TE materials, including tellurides, selenides, metal oxides, metal alloys, silicon, carbon nanomaterials, and organic compounds. Given that the TE material is a key component in TENGs, this review highlights how to optimize other vital parameters, including the TENG configuration, contact interface, form factor, heat sink use, and folded shape for specific applications. Lastly, critical attributes of TENGs used in wearable electronics, sensors, implantable electronics, solar energy conversion, and waste heat recovery are analyzed.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».