MétaCan
Menu
Retour à la cohorte
Enregistrement W4386813146 · doi:10.1016/j.nanoen.2023.108909

3D printing of conductive polymer aerogel thermoelectric generator with tertiary doping

2023· article· en· W4386813146 sur OpenAlexafffund
Terek Li, Yuhang Huang, Jia Xi Mary Chen, Yu Sun, Zia Saadatnia, Hani E. Naguib

Notice bibliographique

RevueNano Energy · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Sensor and Energy Harvesting Materials
Établissements canadiensOntario Tech UniversityUniversity of New BrunswickUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésAerogelMaterials scienceThermoelectric effectDopingConductive polymerPolymerElectrical conductorComposite materialThermoelectric materialsThermoelectric generatorThermal conductivityNanotechnologyOptoelectronics

Résumé

récupéré en direct d'OpenAlex

The rapid advancement of conductive polymer aerogel for thermoelectric application has predominantly depended on the use of performance-enhancing additives for improvement in electrical performance. Meanwhile, the intrinsic capability of the polymer matrix is often overlooked, and control over aerogel geometry remains limited. This arises from the challenges in fabricating conductive polymer aerogel film and the absence of an effective doping technique that does not compromise the aerogel’s fragile microstructure due to induced capillary stress. Herein, 3D printing is combined with a tertiary doping process to simultaneously enable synthesize of conductive polymer aerogel with controlled geometry, high electrical conductivity of over 10 Scm −1 , low thermal conductivity of < 100 mWm −1 K −1 , while increasing the thermoelectric output by four times compared to pristine aerogel. The result of this work opens new opportunities to enhance the performance of conductive polymer without relying on additives by unleashing the full potential for conductive polymer matrix.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,180
Score d'incertitude au seuil0,583

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
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 Opus0,010
Tête enseignante GPT0,200
Écart entre enseignants0,190 · 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'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

Citations38
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNano EnergyMême sujetAdvanced Sensor and Energy Harvesting MaterialsTravaux en français237 207