机器学习用于预测复杂热电材料中的超低导热率和高ZT
Yuzhou Hao1, Yuting Zuo1, Jiongzhi Zheng2,3
1State Key Laboratory for Mechanical Behavior of Materials, School of Materials Science and Engineering, Xi'an Jiaotong University, Xi'an 710049, China.
ACS applied materials & interfaces
|September 2, 2024
概括
这项研究揭示了Tl9SbTe6表现出极低的导热率,类似于玻璃,由于小组速度有限. 这种材料在p型和n型应用中表现出极好的热电性能,具有高的ZT值.
科学领域:
- 材料科学 材料科学 材料科学
- 凝聚物质物理学 凝聚物质物理学
- 计算材料科学科学 计算材料科学
背景情况:
- 高效的热电材料需要精确的热传输计算和对底层机制的理解.
- 先进的热电材料对于能源采集和废热回收应用至关重要.
研究的目的:
- 为了研究晶体Tl9SbTe6.6中的微观热传输机制.
- 精确计算热传输特性和热电功率 (ZT).
- 为了阐明Tl9SbTe6.6的特殊热电性能背后的原因.
主要方法:
- 整合统一的热传输理论与机器学习辅助的自相一致的声计算.
- 利用机器学习潜力来分析声子能量转移和散射机制.
- 热导率和热电功率 (ZT) 的计算.
主要成果:
- 在室温下达到0.31 W m-1 K-1的极低导热率,与实验数据相关.
- 确定了非对角热流运算器和有限组速度在实现超低导热率方面的重要作用.
- 报告的最大ZT为3.17的p型Tl9SbTe6 (c轴) 在600K和2.26的n型Tl9SbTe6 (a/b轴) 在500K.
- 观察到令人印象深刻的电特性,归因于价值带中的双退化现象.
结论:
- 晶体Tl9SbTe6表现出卓越的绝热性能和优异的热电性能.
- 这项研究阐明了对Tl9SbTe6.6优越热电特性负责的基本机制.
- 结果表明Tl9SbTe6是热电应用的有希望的材料,并鼓励进一步的实验验证.
