معرفی مواد ترموالکتریک

مواد ترموالکتریک گرادیان دمایی را به طور مستقیم به ولتاژ الکتریکی از طریق اثر Seeبک تبدیل می کنند (و برعکس، آنها می توانند حرارت را هنگامی که یک جریان الکتریکی مورد استفاده قرار می گیرد، پمپ کنند، این قابلیت تبدیل انرژی جامد باعث می شود آنها برای بازیابی حرارت زباله، خنک کننده قابل حمل و برق عمیق جذاب شوند: بهره وری یک ماده تر الکتریکی توسط شکل بی کیفیت (F[F] [F] = {\F = {\displaystyle2 = {\displaystyle2}

تکنیک های مدل سازی مکانیک کوانتومی

محاسبات اولیه بر اساس مکانیک کوانتومی اجازه می دهد تا محققان خواص الکترونیکی، ارتعاشی و حمل و نقل مواد بدون تناسب تجربی را پیش بینی کنند. روش های به طور گسترده ای مورد استفاده، تئوری تابع چگالی (DFT) است که دقت و هزینه محاسباتی را متعادل می کند، با این حال، برای مواد تر الکتریک با ساختارهای الکترونیکی پیچیده - مانند شکاف باند باریک، عناصر سنگین، یا روش های قوی اتصال الکترون - اغلب روش های لازم است که این تکنیک های طراحی و منطقی را در نهایت قادر به کنترل می کند.

تئوری عملکردی (DFT)

DFTuth معادله مدل سازی سنگین (Kohn-Sham) را با نقشه برداری از آن به مجموعه ای از معادلات تک ذرات (Kohn-Sham معادلات) با استفاده از یک تابع مبادله-coring (برای مواد حرارتی) تنظیم می کند، DFTple به طور معمول برای محاسبه ساختار باند الکترونیکی، چگالی دولت (DOS)، و جمعیت کلر همیلتون (COHP) استفاده می شود.

فراتر از DFT: رویکردهای پیشرفته

در حالی که DFT نقطه شروع خوبی را فراهم می کند، محدودیت های آن در سیستم هایی با تعاملات قوی الکترون- الکترونی یا جایی که انرژی های شبه ذرات برای ضریب دقیق حمل و نقل مورد نیاز است، تقریب GW (عملکرد هدایت سبز G و تجزیه و تحلیل شده ساختار الکترون شکاف باند و پراکندگی را با استفاده از تکنیک های دقیق الکترونی (به خوبی مشاهده می کند) به عنوان یک ترکیب الکترونی حساس است.

ویژگی های کلیدی الکترونیکی از مدل سازی

شبیه سازی های مکانیکی کوانتومی مجموعه ای از توصیف های الکترونیکی را استخراج می کنند که به طور مستقیم به عملکرد ترموالکتریک متصل می شوند و می دانند که چگونه هر دو توصیف کننده از ساختار اتمی و الکترونیکی ناشی می شود و به محققان اجازه می دهد تا مواد را قبل از سنتز تجربی به صورت محاسباتی نمایش و بهینه سازی کنند.

باند Gap و Mass

شکاف گروه تعیین کننده محدوده دما عملیاتی است: نیمه هادی های باریک (0.1-0.5 eV) به طور معمول برای دمای اتاق به برنامه های دما متوسط بهینه هستند. DFT و GW می توانند شکاف را با دقت الکتریکی پیش بینی کنند (m * [LT:1] الکترون ها و حفره های نزدیک به لبه های کنترل باند الکتریکی، اغلب هدایت کننده قدرت بالا (به حداکثر رساندن ضریب شیمیایی) می تواند یک نمونه را کاهش دهد.

تراکم کشورها و Seeبک Cofit

{{2 ] [FLT= ] [[[[[ ] [FLT=] [[ ] [[ ] [[ ] [0 ] [ [0 ] [0 ] [[ ] [0 ] [ [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] ] [ {\displaystyle ]} ، یک لبه باند یا حالت بازگشتی (r ) می تواند یک ضریب اتصال دهنده) بزرگ الکترون را ایجاد کند.

طراحی فیلم جدید Thermo Electric Materials

با هدایت دیدگاه مکانیکی کوانتومی، محققان چندین خانواده از انرژی های حرارتی امیدوار کننده را شناسایی کرده اند.استراتژی طراحی مشترک این است که به یک سیستم “phonon-glass، الکترون-کریستالیست” دست پیدا کنند: هدایت الکتریکی بالا از مواد کریستالی همراه با ویژگی های حرارتی بسیار پایین شبکه هدایت کننده شیشه ای. Firstprinciples کمک می کند تا این مواد را با غربالگری باندهای الکترونیکی کشف کنند که هر دو به طور همزمان به عنوان یک مفهوم بالا (برای مشاهده) و مهندسی تحرک بالا (برای توزیع بالا) شناخته می شوند.

  • مواد تشکیل دهنده مانند Bi2Te3، SnSe و GeSe دارای پیوندهای ضعیف ون در واتل بین لایه ها، که به طور موثر پخش گرم حامل فونون در حالی که حفظ خوب در حمل و نقل الکترونیکی هواپیما. DFT مطالعات نشان داده اند که ساختار الکترونیکی این مواد ویژگی های متعدد دره و یک گرما قوی، بهره وری برای عملکرد الکتریکی.
  • lcogenides پیچیده: مواد مانند AgSbTe2، Cu2Se و PbTe-based هدایت حرارتی پایین به دلیل اختلال ذاتی یا تحرک مایع مانند cations را نشان می دهد.
  • Clathrates و ترکیبات قفس: در توده هایی مانند Ba8Ga16Si30، اتم های مهمان "rattle" در قفس های بیش از اندازه، به شدت پراکنده فون بدون مزاحم هدایت چارچوب میزبان هدایت الکترونیکی.
  • [x:] آلیاژ هیکسلر: این ترکیبات بین فلزی (به عنوان مثال، MNiSn، MCoSb که M = Ti، Zr، Hf) ارائه ثبات مکانیکی بالا و هدایت الکتریکی خوب. غربالگری هزاران نفر از نامزدهای ترکیب بندی ممکن نیم او را شناسایی کرده است عوامل حرارتی جدید را بدون جایگزینی عناصر الکتریکی سنگین، بهبود بخشد.
  • مواد بی ثبات و پیشرفته ترتروفیلی: کار اخیر بر روی آلیاژهای پیشرفته و ترکیبات سرامیک آنتروپی که به شدت بی ثبات هستند، اختلال اتمی را برای کاهش هدایت حرارتی شبکه، DFT همراه با روش های گسترش خوشه می تواند تاثیر اختلال در باندهای الکترونیکی و ترکیبات پیش بینی که در آن اختلال حمل و نقل به شدت تحت تاثیر قرار نمی گیرد.

چالش ها و مسیرهای آینده

علی رغم پیشرفت قابل توجه، چندین چالش باقی مانده است. محاسبات ساختار الکترونیک برای مواد واقعی ترموالکتریک باید برای اختلال اتمی، نقص ها و ساختار نانومقیاس - که همه آنها بر خواص الکترونیکی و ارتعاشی تاثیر می گذارند، سیستم های اختلالی که به طور قطع نیاز دارند، ابرسلول های بزرگ یا ساختارهای شبهات خاص (SQS) برای جذب آنتروپی پیکربندی و تغییرات محلی، علاوه بر الکترون-فون و تعاملات الکتریکی بالا در انتقال، هنوز هم از اصول نفوذ الکتریکی بالا استفاده می کنند.

چالش دیگر در پیش بینی دقیق هدایت حرارتی ⁇ ph قرار دارد در حالی که دینامیک شبکه های DFT (به عنوان مثال، با استفاده از معادله حمل و نقل فون بولتزمن) می تواند ⁇ ph قابل اعتماد برای کریستال های سفارش شده، پلی کریستالی و مواد نانوساختار یافته مکانیسم های پراکنده اضافی (محدودیت های دانه، نقطه، نقص، نانو پیش بینی) را که به تئوری های پیچیده ای از ترکیب این شکاف ماشین یا ذرات.

به جلو، ادغام مدل های مکانیکی کوانتومی با غربالگری محاسباتی و یادگیری ماشین آلات بالا سرعت کشف مواد جدید ترموالکتریک را تسریع می کند.دیتابیس هایی مانند پروژه مواد، OQMD و AFLOW حاوی میلیون ها خواص محاسبه شده است؛ اتصال این با مدل های پیش بینی شده برای ZT می تواند ترکیب نامزدها را برای تست های یادگیری تجربی محدود کند.

اعتبار سنجی تجربی همچنان ضروری است.در داخل و یا تکنیک های اپرا، مانند پراکندگی اشعه ایکس همگام سازی و اندازه گیری حمل و نقل تحت فشار، می تواند بازخورد برای اصلاح مدل های محاسباتی را فراهم کند. ترکیب مدل سازی مکانیک کوانتومی با سنتز تجربی و هویت یک حلقه قدرتمند برای کشف مواد است.

نتیجه گیری

مدل سازی مکانیکی کوانتومی از یک ابزار مکمل به یک سنگ بنای تحقیقات مواد ترموالکتریک تکامل یافته است.با ارائه یک درک دقیق از ساختار الکترونیکی، DFT و پیشرفته فراتر از DFT محققان را قادر می سازد تا توصیف کننده های کلیدی، ترکیبات جدید صفحه نمایش و مواد مهندسی با عملکرد بهینه شده را شناسایی کنند. Ongoing در روش دقیق، قدرت محاسباتی، داده ها و روش های وعده داده های مبتنی بر سرعت طراحی بیشتر شبیه سازی انرژی برای مقابله با چالش های متنوع سازی، به چالش های تبدیل و متنوع، به عنوان روش های متنوع سازی، ادامه می دهد.

[[ویرایش] [۱]