January 23rd, 2013
유기 태양 광 (OPV) 재료는 나노 미터 스케일에서 본질적으로 inhomogeneous입니다. OPV 재료의 Nanoscale inhomogeneity는 태양 광 디바이스의 성능에 영향을 미칩니다. 이 논문에서, 우리는 하위-100 나노 미터 해상도 OPV 재료의 전기 및 기계적 성질의 양적 측정을위한 프로토콜을 설명합니다.
다음 실험의 전반적인 목적은 형태와 전기적 성능의 상관 관계를 통해 상 분리된 풀러렌 폴리머 혼합물의 전도성 메커니즘을 이해하는 것입니다. 폴리머 혼합물의 형태 및 전기적 특성은 유기 태양 전지 내부의 성능을 제어하는 두 가지 주요 요소입니다. 샘플의 형태와 전기적 성능의 상관 관계는 자체 제작 컨트롤러 및 데이터 수집 시스템과 함께 원자력 현미경을 사용하여 샘플의 기계적 및 전기적 특성을 동시에 측정함으로써 달성됩니다.
이는 A FM 프로브와 샘플 표면 사이의 힘의 거리 의존성에 대한 공간적으로 분해된 데이터를 수집하는 데 사용되며, 두 번째 단계로 A FM 프로브와 샘플 사이의 전류 거리 의존성에 대한 데이터를 수집하고, 스캔의 각 지점에서 수집된 힘 거리 및 전류 거리 곡선의 자동 분석을 수행합니다. 이것은 접촉, 강성, 인장력 및 전류에 대한 고해상도 맵을 생성합니다. 다음으로, 샘플의 영률과 저항을 얻기 위해 접촉, 강성 및 전류 데이터의 수학적 변환을 실행하기 위해 대략적인 접촉 역학 모델을 적용합니다.
그 결과, 기계적 시그니처를 기반으로 샘플 내 영역의 화학적 특성뿐만 아니라 동시 기계적 및 전기적 특성 측정을 기반으로 폴리머가 풍부한 혼합물 및 혼합물의 풍부한 단계에 대한 전도도의 정량적 차이를 식별합니다. 이 방법은 유기 태양 전지 개발 분야의 주요 질문에 답하는 데 도움이 될 수 있으며, 예를 들어 활성 층 형태가 소스 셀 성능에 미치는 영향에 대한 이해, 활성층의 면 구성과 전기적 특성의 상관 관계를 이해함으로써 해당 셀의 효율성 및 안정성과 같은 질문에 답하는 데 도움이 될 수 있습니다. 또한, 이 방법은 유기 전자 재료 및 배터리와 같은 다른 시스템에도 적용할 수 있습니다.
다른 전도도 매핑 방법에 비해 이 기술의 주요 장점은 팁 시료 접촉 영역의 불확실성이 사실상 제거된다는 것입니다. 이것은 계면 속성에 대한 훨씬 더 명확한 그림을 가지고 있음을 의미합니다. 신호 수집을 위해 샘플을 준비합니다.
상부 전극이 없는 P 3 H-T-P-C-B-M 폴리머 태양 전지 샘플로 시작합니다. 이것을 원자력 현미경용 외부 전기 커넥터가 있는 샘플 홀더에 장착합니다. 다음으로, 샘플 홀더를 nano scope five 컨트롤러가 장착된 상업용 다중 모드 원자력 현미경에 연결합니다.
A FM 프로브 홀더에 전도성 프로브를 설치하고 홀더를 현미경에 장착합니다. 이제 프로브 어셈블리를 외부 전류 증폭기에 연결합니다. 전류 증폭기의 출력은 디지털 수집 카드에 루팅되어 있습니다.
A FM 프로브, 샘플 및 A FM 전압 소스 사이에 전기적 연결을 만드는 프로브만 있으면 됩니다. A FM 편향 출력, 힘 신호, s를 연결해야 합니다.ample 높이 출력 및 거리 신호를 디지털 수집 카드에 연결합니다. 디지털 수집 카드의 수집 속도를 초당 250, 000 샘플로 설정하고 수집 시간을 1초로 설정합니다.
다음으로, A FM 프로브와 태양 전지 전극 샘플 사이에 원하는 바이어스를 적용한다. 이 실험에서 양의 6 볼트와 음의 10 볼트 모두에서 연구되었습니다. 이제 FM을 피크 포스 모드에서 실행하도록 설정하여 피크 포스 설정점 30나노 뉴턴, 지지 진동 진폭 300나노미터, 지지 발진 주파수 2킬로헤르츠, 스캔 속도 1헤르츠, 해상도 5 12 x 5 12 픽셀로 지형 데이터를 수집합니다.
FM 프로브의 전류 신호에 대한 노이즈 레벨은 양호한 신호 수집을 방해할 수 있습니다. 이것이 문제인 경우 A FM 프로브 전류 증폭기와 전압 소스를 연결하기 위해 다른 배선 방식을 시도하고 지형 데이터 수집과 동시에 힘, 거리 및 전류 거리 곡선을 수집합니다. 여기에서 이 작업은 랩 보기를 사용하여 수행됩니다.
실험의 Matlab 제어. 데이터 분석은 타임스탬프가 지정된 전류, 힘 및 거리 신호를 MATLAB으로 읽는 것으로 시작합니다. 사용된 설정의 경우 2000 힘, 거리 및 거리, 현재 곡선을 만듭니다.
첫 번째 스캔 라인의 경우 곡선 수는 지지 진동 주파수와 스캔 속도의 함수입니다. 여기에 표시된 것은 파란색으로 표시된 강제 거리 데이터가 있는 대표 곡선이며, 접촉 강성은 다이어그램에 정의된 각도 알파에 의해 당겨지는 힘의 값으로 제공됩니다. 반응 중 힘의 첫 번째 최소값도 각 곡선에서 표시되며 접촉 강성과 인장력을 결정합니다.
다이어그램의 빨간색 곡선은 힘 전류 데이터에 대한 것으로, 지지대가 프로브가 표면에서 분리될 때까지 진동의 수축 부분을 시작할 때 전류의 평균 값을 전류라고 하며 그 값이 표시됩니다. 이 데이터의 경우 완료할 각 곡선에 대해 이 전류를 결정합니다. 접촉 강성, 견인력 및 전류 맵에 대한 첫 번째 스캔 라인은 이러한 각 수량에 대해 2,000개의 동일한 간격의 데이터 포인트를 512포인트씩 보간하여 지형 신호와 일치시킵니다.
각 512 스캔 라인에 대해 이 단계를 반복합니다. 결과 이미지의 예는 왼쪽 상단에 표시되어 있으며 지형 측정 결과입니다. 오른쪽 상단에는 공간적으로 분해된 풀오프 힘 측정이 있습니다.
왼쪽 하단에는 접촉 강성이 표시됩니다. 오른쪽 하단은 샘플이 음의 10 볼트에서 상단 전극이없는 P 3 HT PCBM 폴리머 태양 전지 인 전류를 보여주며, 이미지 크기는 10 마이크로 미터 x 10 마이크로 미터입니다. 인발력, 접촉 강성, 전류 이미지 간의 상관 관계는 A FM 프로브와 표면 사이의 접촉 면적 변화를 고려하여 제거할 수 있습니다.
실험하는 동안 데이터와 표시된 방정식을 사용하여 E, Young의 계수를 찾고 저항률을 행합니다. 변수는 여기에 표시된 텍스트 프로토콜에서 이전에 표시된 샘플의 계산된 Young's modulus로 정의됩니다. 바이어스 전압은 마이너스 10볼트입니다.
서로 다른 young's ModuLite를 가진 두 가지 유형의 도메인이 분명합니다. 고분자가 풍부한 것은 파란색 영역에 나타나고 충만이 풍부한 것은 진한 빨간색입니다. 비저항 맵은 태양 전지의 층 사이의 전기적 연결성에 대한 정보를 제공합니다.
다음은 동일한 샘플의 다른 영역에서 공간적으로 분해된 영률과 저항률입니다. 이번에는 바이어스 전압이 6볼트인 경우 흰색 화살표가 완전히 농축된 도메인 영역을 가리킵니다. 저항률은 바이어스 전압 극성의 함수로 전환됩니다.
이 영역은 음의 바이어스가 있을 때 낮은 저항률을 가지며 이 절차에 따라 양의 바이어스가 있을 때 높은 저항을 갖습니다. 전력 변환, 전체 태양 전지의 효율 측정과 같은 다른 방법은 유기 태양 전지에서 활성층의 형태와 장치 성능의 상관 관계와 같은 추가 질문에 답하기 위해 수행 할 수 있습니다.
View the full transcript and gain access to thousands of scientific videos
이 연구는 위상 분리된 풀러렌 고분자 혼합물에서의 전도 메커니즘을 조사하여 형태와 전기 성능 사이의 상관관계에 중점을 둡니다. 이 프로토콜은 100 nm 미만의 분해능으로 유기 태양광 소자 재료의 전기 및 기계적 성질을 정량적으로 측정할 수 있게 합니다.
Understanding nanoscale heterogeneity in organic photovoltaic materials is critical for optimizing device performance and stability in early-stage R&D. Concurrent measurement of mechanical and electrical properties enables mechanistic de-risking by linking morphology to function, supporting predictive confidence in material selection. This approach addresses a key discovery inflection point where structure-property relationships inform go/no-go decisions in organic electronic and energy storage programs.
The method fits within the discovery continuum from early material screening to lead identification, where property correlation informs downstream optimization.