MétaCan
Menu
Retour à la cohorte
Enregistrement W7115175958 · doi:10.1515/pac-2025-0595

Surface morphological and optoelectrical characteristics of silicon nitride featured with magnesium oxide nano coating

2025· article· en· W7115175958 sur OpenAlexaff

Notice bibliographique

RevuePure and Applied Chemistry · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueSilicon and Solar Cell Technologies
Établissements canadiensHorizon College and Seminary
Organismes subventionnairesnon disponible
Mots-clésPassivationPhotocurrentSilicon nitrideSolar cellEnergy conversion efficiencyMagnesiumChemical vapor depositionSiliconNitride

Résumé

récupéré en direct d'OpenAlex

Abstract The silicon nitride (Si 3 N 4 ) solar cell is well-known for its use in solar energy applications due to its passivation properties, which minimize surface recombination, improve thermal stability, and enhance chemical resistance. However, Si 3 N 4 is found to increase processing complexity due to uneven particle dispersion, and a higher concentration of Si 3 N 4 leads to microcracks in areas of high stress concentration, which limit the optoelectrical properties. This research aims to overcome processing difficulties and to enrich the functional characteristics of Si 3 N 4 solar cells with 20, 30, and 40 nm of magnesium oxide (MgO) nanocoating via a vacuum-assisted chemical vapour deposition (CVD) process. The effects of MgO and vacuum on the surface morphology during the CVD process were analyzed, revealing a fine-grain structure without microcracks, resulting in enhanced optoelectrical properties compared to those of the monolithic Si 3 N 4 solar cell. Likewise, X-ray diffraction analysis confirms the presence of MgO in Si 3 N 4 and its crystalline size. Furthermore, the Si 3 N 4 layer with 40 nm MgO is found to have an optimum drain current density of 2.8 × 10 −3 A, an improved photocurrent density of 2.6 mA/cm 2 , a reduced transmittance of 58 %, and a superior solar conversion efficiency of 24.1 %. It is suitable for thin-film solar cell 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 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 enseignants0,005
Score d'incertitude au seuil0,497

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 Opus0,004
Tête enseignante GPT0,182
Écart entre enseignants0,178 · 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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePure and Applied ChemistryMême sujetSilicon and Solar Cell TechnologiesTravaux en français237 207