热电能量转化引起了人们日益增长的兴趣,这是一种潜在的浪费收集,发电和冷却应用的技术。微型/纳米级传热效应由于对声子和电子传输的影响而在热电能量转化的效率中起着重要作用。微/纳米级传热对于一系列新兴技术,例如微/纳米技术,信息技术,生物技术和低碳能源应用也至关重要。本期特刊旨在全面概述热电材料和微型/纳米级传热的最新进展。本期特刊欢迎原始的研究文章和评论。潜在的研究领域包括(但不限于)以下主题: - 热电发电; - 热电冷却; - 微/纳米级热电材料; - 微/纳米级的多相流和传热; - 微/纳米级的热物理特性 - 微/纳米结构中的界面热传输; - 低维材料; - 声子和电子传输; - 电子 - Phonon相互作用。
标题:使用原子探针断层扫描摘要在材料中看到氢:金属材料中的氢存在可能导致灾难性的早期裂缝,称为氢含糖。观察氢及其在微观结构中相关的影响一直是一个巨大的挑战,它限制了解决该问题的解决方案。为此,我们的研究小组开发了一种特殊的工具,即低温原子探针断层扫描(Cryo-Apt),用于氢图,并将其与微力方法结合使用,以研究钢中的氢化含量。我们的努力为破译钢中的氢气诱捕和拥抱机制提供了新的见解,从而促进了钢微结构的发展,钢微结构具有良好的抵抗力。bio:Yi-Sheng(Eason)Chen博士是Nanyang助理教授(NAP)和新加坡国家研究基金会(NRF)材料科学与工程学院,Nanyang Technological University,新加坡(NTU)。他的研究重点是材料表征,冶金和氢技术。专门使用高级显微镜技术,例如原子探针断层扫描(APT)和电子显微镜来开发高级金属材料的结构属性处理关系。从这些努力中获得的见解将有助于更深入地了解材料行为,为发展下一代高性能材料的发展铺平道路。他是Sinica学术界物理研究所的前研究助理。 参考:[1] Y.-S. Chen等。他是Sinica学术界物理研究所的前研究助理。参考:[1] Y.-S. Chen等。“金属中的氢诱捕和覆盖 - 综述。”国际氢能杂志(印刷中)(2024年)。https://www.sciendirect.com/science/article/pii/s036031992401332 6
热电材料能够实现热和电的直接转换,在制冷和发电方面有着良好的应用前景,引起了人们的广泛关注。考虑到更广泛的应用场景和在室温(RT)附近更大的需求,在过去的几十年里,在室温附近具有高性能的 TE 材料引起了广泛的研究关注。材料的 TE 性能通过其无量纲性能系数 zT = S 2 σT/(κ e +κ L ) 来判断,其中 S、σ、T、κ e 和 κ L 分别为塞贝克系数、电导率、绝对温度、热导率 κ 的电子和晶格分量。到目前为止,Bi 2 Te 3 基合金是唯一在 RT 附近具有理想 zT 值的商业化材料,而 n 型 Mg 3 Sb 2 最近被认为是另一种有前途的 TE 材料,其 zT 在 RT 附近约为 0.8。 Bi 2 Te 3 和 Mg 3 Sb 2 均具有本征的低晶格热导率κL,这是其高TE性能的基础之一。1-4
热电设备(TEDS)是固态能量转换器,在经受外部温度梯度时会产生电力,或者在配备电流时产生温度差异并用作固态冷却器。TEDS将热量转化为电力的能力,反之亦然,在过去二十年中开发了用于废热恢复和固态冷却的高效率设备的巨大研究兴趣。1 - 12个世界能源消耗的三分之二仍然消散,因为浪费了这种浪费的能量,而这种浪费的能量仅在美国就可以产生15吨的电力。13同时,冷却和热管理对于建筑物和车辆的人类舒适性以及电子和医疗设备的可靠操作和寿命至关重要。固态
热电材料作为能够将电能和热能相互转化的材料,如何提高热电材料的热电转换效率是当前研究的热点问题。目前,Bi 2 Te 3 基热电材料在室温附近ZT值可以达到1.3~1.4,部分热电材料在高温下的ZT值可以达到2.0以上。但要想使热电材料实现更广泛的应用,必须寻找到室温下热电性能更高的材料。目前,提高热电材料的热电转换效率常用的方法有:
钻石的太空格是以面部为中心的立方体。钻石结构的原始基础在坐标(000)和(1/4 1/4 1/4)上具有两个与FCC晶格的点相关的原子。如果将细胞作为常规立方体,基础由八个原子组成。(a)找到此基础的结构因子。(b)找到S的零,并表明钻石结构的允许反射满足V 1 + V 2 + V 3 = 4 N,其中所有索引均匀,n是任何整数,否则所有索引都是奇数。(请注意,H,K,L可能是为V 1,V 2,V 3编写的。)
考虑到大型材料空间,热电材料的探索挑战,再加上掺杂和合成途径的多样性所带来的自由度的增加。在这里,已合并历史数据,并通过使用错误纠正学习(ECL)进行实验反馈进行更新。这是通过从先验数据集中学习而实现的,然后将模型调整为合成和表征的差异,这些差异很难参数化。This strategy is thus applied to discovering thermoelectric materials, where synthesis is prioritized at temperatures < 300 ○ C. A previously unexplored chemical family of thermoelectric materials, PbSe:SnSb, is documented, finding that the best candidate in this chemical family, 2 wt% SnSb doped PbSe, exhibits a power factor more than 2 × that of PbSe.本文的研究表明,与由最先进的机器学习(ML)模型提供动力的高通量搜索相比,闭环实验策略减少了所需的实验数量,以将优化材料数量高达3×。还可以观察到,这种改进取决于ML模型的准确性,以表现出减少回报的方式:一旦达到了一定的精度,与实验途径相关的因素开始主导趋势。
考虑到大型材料空间,热电材料的探索挑战,再加上掺杂和合成途径的多样性所带来的自由度的增加。在这里,已合并历史数据,并通过使用错误纠正学习(ECL)进行实验反馈进行更新。这是通过从先验数据集中学习而实现的,然后将模型调整为合成和表征的差异,这些差异很难参数化。This strategy is thus applied to discovering thermoelectric materials, where synthesis is prioritized at temperatures < 300 ○ C. A previously unexplored chemical family of thermoelectric materials, PbSe:SnSb, is documented, finding that the best candidate in this chemical family, 2 wt% SnSb doped PbSe, exhibits a power factor more than 2 × that of PbSe.本文的研究表明,与由最先进的机器学习(ML)模型提供动力的高通量搜索相比,闭环实验策略减少了所需的实验数量,以将优化材料数量高达3×。还可以观察到,这种改进取决于ML模型的准确性,以表现出减少回报的方式:一旦达到了一定的精度,与实验途径相关的因素开始主导趋势。