聚合物也已成为有机热电学的潜在候选物,[7,8]有可能提供柔性,大面积和低成本的能源产生或加热 - 可吸引人的应用,例如,可穿戴能量收获,目前是传统的脆性和通常的毒性或稀有毒性或稀有层次的材料,这些材料目前是不可能的。ther- moelectric材料通过优异ZT = S2σT /κ的无量纲数进行评估,其中S,σ,T和κ分别代表塞贝克系数,电气有效性,绝对温度和热电导率。大多数连接的聚合物的特征是低κ值,从本质上有助于高ZT。通过P型共轭聚合物(例如ZT> 0.25)(PEDOT)(PEDOT)(pEDOT)等最广泛的热电研究证实了这一点。[9,10] P型和N型热电材料的性能应在任何实际应用之前彼此配对。ever,基于N型共轭聚合物的热电设备在功率因数方面仍然远低于其P型对应物(s2σ)。[11,12]因此,有效的发展
添加剂制造(AM)工艺,例如激光粉末床融合,可以通过分层扩散和熔化粉末来制造物体,直到创建自由形式的零件形状。为了提高AM过程中涉及的材料的特性,重要的是要预测材料表征作为处理条件的函数。在热电材料中,功率因数是对材料如何将热量转化为电的有效性的量度。虽然较早的作品已经使用各种技术预测了不同热电材料的材料表征特性,但在AM过程中尚未探索机器学习模型的实现,以预测鞭毛尿酸酯(BI2TE3)的功率因数。这很重要,因为BI2TE3是低温应用的标准材料。作为概念证明,我们使用了有关涉及的制造处理参数的数据以及在BI2TE3 AM中收集的原位传感器监视数据,以训练不同的机器学习模型,以预测其热电功率因子。我们使用80%的培训和20%的测试数据实施了监督的机器学习技术,并进一步使用了置换功能重要性方法来识别重要的处理参数和原位传感器功能,这些特征最能预测材料的功率因数。基于合奏的方法,例如随机森林,Adaboost分类器和Bagging分类器,在预测功率因数方面表现最好,而袋装分类器模型则达到了90%的最高精度。此外,我们发现了前15个处理参数和原位传感器功能,以表征材料制造属性(例如功率因子)。这些功能可以进一步优化,以最大程度地提高热电材料的功率因数,并提高使用该材料制造的产品的质量。
聚合物也已成为有机热电学的潜在候选物,[7,8]有可能提供柔性,大面积和低成本的能源产生或加热 - 可吸引人的应用,例如,可穿戴能量收获,目前是传统的脆性和通常的毒性或稀有毒性或稀有层次的材料,这些材料目前是不可能的。ther- moelectric材料通过优异ZT = S2σT /κ的无量纲数进行评估,其中S,σ,T和κ分别代表塞贝克系数,电气有效性,绝对温度和热电导率。大多数连接的聚合物的特征是低κ值,从本质上有助于高ZT。通过P型共轭聚合物(例如ZT> 0.25)(PEDOT)(PEDOT)(pEDOT)等最广泛的热电研究证实了这一点。[9,10] P型和N型热电材料的性能应在任何实际应用之前彼此配对。ever,基于N型共轭聚合物的热电设备在功率因数方面仍然远低于其P型对应物(s2σ)。[11,12]因此,有效的发展
硅是一种用于低温热能清除应用的丰富元素热电材料,通常患有相当低的热电效率。提高效率的一种可行解决方案是提高非硅硅(A-SI)的功率因数(PF),同时保持热导率足够低。在这项工作中,我们报告说,Pf> 1 m wm-1 K-2是可用于硼植入的p型P型A-SI膜,该膜分散,通过在温度≤600°C的温度下通过退火而实现的超细晶体。在550°C下退火可启动用嵌入A-SI基质中的亚纳米晶体结晶。所得的薄膜保持高电阻,因此产生了低的PF。在600°C下的退火大约使以双峰尺寸分布特征的特征降低了亚5-nm纳米晶体的密度,并因此减少了膜中无定形相的分数。因此,在室温下测得的PF> 1 m wm -1 k - 2急剧增强的电导率,因此Pf> 1 m wm -1 k -2。结果表明,在大型热电应用中,硅具有巨大的潜力,并基于硅热电话建立了通往高性能能量收集和冷却的途径。
1材料部的化学和物理单位,贾瓦哈拉尔·尼赫鲁(Jawaharlal Nehru)高级科学研究中心,班加拉罗尔560064,印度2,印度2国际材料科学中心,Jawaharlal Nehru先进科学研究中心,班加拉罗尔560064,印度560064,印度360064,印度材料3次高级材料学院。 IMN-CSIC,C/ISAAC NEWTON 8,TRES CANTOS,TRES CANTOS,28760 MADRID,MADRID 5澳大利亚州5澳大利亚州Microscopy and Microanalysis中心,NEW,新南威尔士州Camperdown,2006弗吉尼亚大学,夏洛茨维尔,弗吉尼亚22904,美国8物理系,弗吉尼亚大学夏洛茨维尔,弗吉尼亚州22904,美国