Alte und neue Konzepte für thermoelektrische Materialien
Bibliographic record
Abstract
Abstract Grundkonzepte für die Erforschung thermoelektrischer Materialien, der gegenwärtige Kenntnisstand und neueste Entwicklungen auf dem Gebiet sind die Themen dieses Aufsatzes. In aktuellen Forschungsarbeiten werden der Leistungsfaktor maximiert und/oder die Wärmeleitfähigkeit minimiert, um höhere ZT–Werte zu erzielen. Ansätze zur Maximierung des Leistungsfaktors sind die Entwicklung neuer oder das Optimieren existierender Materialien durch Dotieren sowie die Erforschung nanoskaliger Materialien. Die Wärmeleitfähigkeit kann minimiert werden durch das Herstellen fester Lösungen, die Verwendung von Materialien mit niedriger intrinsischer Wärmeleitfähigkeit und durch Nanostrukturierung. Dieser Aufsatz beschreibt die aussichtsreichsten thermoelektrischen Bulkmaterialien unter Berücksichtigung der während des letzten Jahrzehnts gewonnenen Erkenntnisse. Zu Beginn werden die Kristallstruktur und die chemischen und physikalischen Eigenschaften einphasiger Bulkmaterialien sowie die Optimierung ihrer thermoelektrischen Leistung diskutiert. Anschließend wird untersucht, welche neuen Möglichkeiten sich durch den Einsatz nanostrukturierter Kompositmaterialien ergeben. Den Abschluss bildet ein Ausblick in die fernere Zukunft.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.019 | 0.008 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".