ПІДВИЩЕННЯ ТЕРМОЕЛЕКТРИЧНИХ ВЛАСТИВОСТЕЙ ПАРОФАЗНИХ КОНДЕНСАТІВ SnTe ЗА ДОПОМОГОЮ МЕТОДІВ ШІ
DOI:
https://doi.org/10.31471/1993-9981-2024-1(52)-34-40Ключові слова:
Tin telluride, Thermoelectric properties, Artificial intelligence, Machine learning, Generative algorithmsАнотація
У статті досліджуються можливості підвищення термоелектричних властивостей станум телуриду (SnTe) за допомогою сучасних методів штучного інтелекту. SnTe — напівпровідниковий матеріал із кристалічною структурою NaCl, вузькою забороненою зоною (~0,2 еВ) і високою концентрацією носіїв заряду, широко використовується для створення термоелектричних елементів р-типу провідності. Однак ефективність SnTe обмежується структурними дефектами, зокрема вакансіями стануму, що впливає на електропровідність (σ), коефіцієнт Зеєбека (S) та термоелектричну потужність (S²σ). Методи машинного навчання та генеративні алгоритми дозволяють прогнозувати властивості матеріалу й оптимізувати умови синтезу, скорочуючи час і витрати. Використовуючи нейронні мережі, змодельовано зв’язки між складом, морфологією та термоелектричними характеристиками. Це дозволило створити нові склади SnTe з легуючими елементами (галлій, бісмут), які демонструють покращені властивості. Методологія включала осадження плівок SnTe (40–800 нм), аналіз морфології атомно-силовою мікроскопією та дифрактометрією, створення навчальних наборів даних. Генетичні алгоритми використовувались для пошуку оптимальних складів, а моделі комп’ютерного зору автоматизували аналіз поверхонь, визначаючи оптимальну орієнтацію нанокристалів для мінімізації теплового опору. Результати показали підвищення електропровідності до ~12·10³ Ом⁻¹·см⁻¹, коефіцієнта Зеєбека до ~85 мкВ/К і термоелектричної потужності до ~25 мкВт/К²·см (покращення на 39–50%). Оптимізація товщини плівок і розподілу нанокристалів суттєво вплинула на зниження теплових втрат. Отримані результати відкривають перспективи застосування SnTe у високоефективних термоелектричних генераторах, охолоджувальних системах, промисловій утилізації тепла та відновлюваній енергетиці.
Завантаження
Посилання
1. Freik D.M., Dzundza B.S., Makovyshyn V.I., Mezhylovska L.I., Bachuk V.V. Termoelektrychni vlastyvosti parofaznykh kondensativ na osnovi lehovanoho telurydu olova SnTe:Bi. Termoelektryka. 2014. №3. P. 24-27. [in Ukrainian]
2. Salii Ya.P., Bushkov N.I., Bylina I.S., Makovyshyn V.I. Habitus, symetriia i oriientatsiia poverkhnevykh struktur parofaznykh kondensativ SnTe:Bi na sytali. Fizyka i khimiia tverdoho tila. 2016. T. 17, №1. P. 65-69. [in Ukrainian]
3. Freik D.M., Dzundza B.S., Makovyshyn V.I., Yavorsky R.S. Surface layers and thermoelectric properties of vapor-phase condensates LAST Pb18Ag2-xSbxTe20 on mica. Physics and Chemistry of Solid State. 2015. Vol. 16, No. 2. P. 93-97.
4. Kononova, K. Yu. Machine Learning: Methods and Models. Karazin University Press, 2023.Goodfellow, I., Bengio, Y., Courville, A. Deep Learning. MIT Press, 2016.
5. HashDork. 20 Best Machine Learning Books to Read in 2024..
6. Géron, A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. OReilly Media, 2019.
7. Soroka Y.M., Kovalenko D.O. The influence of gallium doping on the thermoelectric properties of SnTe condensates. Materials and Their Properties. 2021. No. 2. P. 45–50. [in Ukrainian]
8. Kravets A.V., Demchyna M.M. The use of genetic algorithms for modeling the composition of thermoelectric materials based on SnTe. Nanomaterials and Nanotechnology. 2022. Vol. 5, No. 3. P. 110–115. [in Ukrainian]
9. Nikitin O.I., Hutsulyak M.V. Modeling the influence of surface morphology on the thermoelectric properties of SnTe nanocrystals. Physics of Condensed Media. 2020. Vol. 8, No. 2. P. 35–42. [in Ukrainian]
10. Pavlyuk B.V., Simonova L.A. The influence of nanostructuring on the electrical conductivity of SnTe. Nanoelectronics. 2021. No. 4. P. 15–21. [in Ukrainian]
.png)
