MétaCan
Menu
Retour à la cohorte
Enregistrement W4400911734 · doi:10.20944/preprints202407.1663.v1

Development of Semi Empirical and Machine Learning Models for Photo-Electrochemical Cells

2024· preprint· en· W4400911734 sur OpenAlexaff
Niranjan Sunderraj, Shankar Raman Dhanushkodi, C. Ramesh Kumar, Bohdan Węglowski, Dorota Skrzyniowska, Mathias Schmid, Michael Fowler

Notice bibliographique

RevuePreprints.org · 2024
Typepreprint
Langueen
DomaineEngineering
ThématiqueChalcogenide Semiconductor Thin Films
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésPhotocurrentPolarization (electrochemistry)SemiconductorElectrochemistryVoltageSpace chargeBiological systemMaterials scienceElectrolyteOptoelectronicsComputer scienceChemistryElectrodeElectronPhysicsElectrical engineeringEngineeringPhysical chemistry

Résumé

récupéré en direct d'OpenAlex

We propose a theoretical Photocurrent - Voltage characteristic (PC-V) model to assess the interfacial phenom-ena for a photo-electrochemical cell (PEC). The origin of voltage deficits and the distribution of the photocur-rent across the semiconductor-electrolyte interface (SEI) are reported for the cell. The model predicts the hole exchange current parameter to extract the cell polarization data at the SEI. The potential drop across the SEI across the cell is mapped for the n-type cells. The simulation results of the Pc-V model are used to differentiate the effect of the bulk and space charge region (SCR) recombination in the semiconductor cells. A deep neural network model is developed to assess the electron-hole transfer mechanism using the Pc-V characteristic curve. The applicability of the model is tested and validated with the real time data. The results show good agreement with the experimental data.

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 candidatesMéta-épidémiologie (sens strict)
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 enseignants0,144
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,002
Intégrité de la recherche0,0010,002
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 Opus0,150
Tête enseignante GPT0,319
Écart entre enseignants0,169 · 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.

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

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePreprints.orgMême sujetChalcogenide Semiconductor Thin FilmsTravaux en français237 207