找到 4 条结果
新型纳米结构Ba2Ni(BO3)2的合成、结构表征、相稳定性及光学性质：面向电子应用的功能性正硼酸盐材料
Synthesis, structural characterization, phase stability, and optical properties of novel nanostructured Ba2Ni(BO3)2: toward functional orthoborates for electronic applications
Lahcen Boudad · Journal of Materials Science: Materials in Electronics · 2025年1月 · Vol.36.0
本研究报道了新型正硼酸盐Ba2Ni(BO3)2作为潜在宽禁带材料的合成及其全面的表征。该化合物通过固相法成功制备为单相产物，结晶于菱方R\(\underline{3}\)m空间群，晶格参数精修值为a = 5.326(6) Å和c = 16.876(2) Å。傅里叶变换红外光谱（FTIR）分析证实了预期的三角平面[BO3]3−基团以及八面体配位的Ni2+离子，其特征振动模式亦通过拉曼光谱结果得到验证。扫描电子显微镜显示材料具有致密的纳米结构形貌，由针状微晶组成。该材料表现出优异的热稳定性，在600...
解读: 该宽禁带正硼酸盐材料(3.95eV带隙)对阳光电源功率器件研发具有启发价值。其纳米结构形貌和高热稳定性(600°C以上)特性,可为ST系列储能变流器和SG逆变器中的SiC/GaN宽禁带半导体封装材料、高温绝缘层或紫外光传感器提供材料学参考。针状晶体的致密形态有助于提升器件散热性能,其宽带隙特性适用于...
定制PMMA-co-PAN/PPy-co-PANI共聚物-共聚物共混物的光学与电化学光谱特性
Tailoring optical and electrochemical spectroscopic characteristics of the PMMA-co-PAN/PPy-co-PANI copolymer–copolymer blend
Ahmed R. Ghazy · Journal of Materials Science: Materials in Electronics · 2025年1月 · Vol.36.0
本研究描述了一种新型的PMMA-co-PAN与PPy-co-PANI共聚物共混材料，其光学、电学和电化学性能得到显著改善，旨在用于下一代能量存储、传感器以及光电设备。通过在PMMA-co-PAN中添加5%、7.5%和10%的PPy-co-PANI，材料表现出增强的电荷转移能力、减小的带隙以及提高的导电性。结构与形貌表征（FTIR、XRD、SEM）证实了共混成功且分散均匀，并伴随表面粗糙度增加。紫外-可见光谱显示，由于带隙从3.91 eV显著降低至3.63 eV，材料的光吸收能力得以提升。Mott...
解读: 该共聚物共混材料通过降低带隙至3.63eV、提升载流子浓度和降低电荷转移电阻，展现出优异的电化学性能，对阳光电源ST系列储能变流器和PowerTitan系统具有重要应用价值。其P型导电特性和增强的电荷转移能力可优化储能系统的功率转换效率和循环寿命，材料的可扩展性与柔性特征为下一代高功率密度PCS设计...
基于机器学习与元启发式特征选择的钙钛矿材料多性能预测
Multi-Properties prediction of perovskite materials using Machine learning and Meta-Heuristic feature selection
Frendy Jaya Kusum · Eri Widianto · Wahyono · Iman Santoso 等8人 · Solar Energy · 2025年1月 · Vol.286
摘要 扩大具有优异光电特性的稳定钙钛矿材料的可获得性，对于突破当前光伏吸收层材料的效率限制至关重要。本文提出了一种多性能机器学习（ML）预测策略，以加速ABX3和A2BB’X6型钙钛矿材料的发现。该方法评估了高性能光伏材料所需的关键性质，包括形成能（ΔEf）、热力学稳定性、带隙（Eg）以及带隙类型。本研究评估了多种特征选择方法，如最小绝对收缩与选择算子（LASSO）、k-最佳特征选择法（k-Best）以及遗传算法（Genetic Algorithm）、粒子群优化（Particle Swarm O...
解读: 该钙钛矿材料多属性机器学习预测技术对阳光电源光伏逆变器产品线具有重要应用价值。通过元启发式算法优化的ML模型可预测材料带隙、形成能等关键光电特性,准确率超85%,有助于加速高效光伏吸收材料筛选。这与SG系列逆变器的MPPT优化技术形成协同:更优材料特性可提升组件效率,而精准的材料性能预测能指导逆变器...
可解释且高精度的基于三级树的集成混合模型用于预测光电化学电池中的光电流密度和电极电势：理论支持并由实验数据外部验证
Interpretable and highly accurate tertiary tree-based ensemble hybrid models for the prediction of photocurrent density and electrode potential in PEC cell: Theoretically supported and externally validated by experimental data
Nepal Sahua · Chandrashekhar Azadb · Uday Kumar · Applied Energy · 2025年1月 · Vol.401
摘要 光电流密度（J）以及相对于可逆氢电极的电势（V RHE）是评估用于绿色氢气生产的光电化学（PEC）系统性能的关键参数。本研究旨在构建一种高精度、可解释、稳健且通用的机器学习模型，用于预测J和V RHE，并通过理论支持与外部验证加以证实。在本研究中，首先利用贝叶斯优化（BO）方法将两个单模型（M1, M2）结合，基于包含2593条记录的数据集开发了两个二元混合模型（M3, M4），随后进一步构建了两个用于预测J和V RHE的三级混合模型（M5, M6）。采用五组独立的实验数据集和三个基于物理...
解读: 该光电化学制氢预测模型对阳光电源绿氢储能系统具有重要参考价值。研究中的机器学习混合模型(R²>0.999)可应用于ST系列储能变流器的氢储能场景优化,通过预测光电流密度和电极电位提升制氢效率。SHAP可解释性分析揭示的带隙、电极面积等关键参数,可指导iSolarCloud平台开发光伏制氢预测性维护算...