Thèse en cours

Étude ab initio de chalcogénures complexes en couches pour applications thermoélectriques

FR  |  
EN

Accès à la thèse

AttentionLa soutenance a eu lieu en 2024. Le document qui a justifié du diplôme est en cours de traitement par l'établissement de soutenance.
Auteur / Autrice : Jing Tian
Direction : Pascal BouletMarie Christine Record
Type : Projet de thèse
Discipline(s) : Sciences Chimiques
Date : Soutenance en 2024
Etablissement(s) : Aix-Marseille
Ecole(s) doctorale(s) : Ecole doctorale Sciences Chimiques (Marseille ; 1996-....)
Partenaire(s) de recherche : Laboratoire : MADIREL - Matériaux Divisés, Interfaces, Réactivité, Electrochimie
Jury : Président / Présidente : Jérôme Creuze
Examinateurs / Examinatrices : Pascal Boulet, Marie-Christine Record, Romain Viennois, Laurent Chaput, Manuela Royer-carenzi
Rapporteur / Rapporteuse : Romain Viennois, Laurent Chaput

Résumé

FR  |  
EN

Cette thèse de doctorat est consacrée à l’étude théorique de matériaux en couches à base d’éléments chalcogène, en particulier le tellure. Ces matériaux ont une faible conductivité thermique, ce qui est favorable à un ZT élevé. L’objectif est de concevoir et d’étudier de nouveaux matériaux en couches de ce type avec un réseau cristallin correspondant aux systèmes AIVBVI − A2VB3VI (où AIV= Ge,Sn,Pb , AV= Bi,Sb , BVI= Te,Se), avec et sans dopage. Pour cela, la théorie de la fonctionnelle de la densité est mise en œuvre pour calculer les propriétés électroniques (structures électroniques) qui sont utilisées pour obtenir les propriétés thermoélectriques à partir de l’équation de transport de Boltzmann dans l’approximation du temps de relaxation constant des électrons. La première partie porte sur l’étude des propriétés électroniques et thermoélectriques du composé Ge2Sb2Te5 en absence de contrainte et sous contraintes mécaniques. On observe que le composé S1 est un meilleur matériau thermoélectrique que S2. Il possède un bon ZT sur une large gamme de températures, et il peut être utilisé comme matériau dopé n et p, ce qui constitue un avantage important pour les dispositifs thermoélectriques. Sous contrainte, les propriétés thermoélectriques peuvent être améliorées, en particulier pour S1 sous contrainte en compression ce qui peut être réalisé par un dépôt du composé sur un substrat adapté. La seconde partie présente les résultats de l’étude des propriétés thermoélectriques de nanofeuillets de Sb2Te3, GeSb2Te4, Ge2Sb2Te5-S1 et Ge2Sb2Te5-S2 ont été étudiées sous contraintes et sans contraintes biaxiales dans le plan basal ab. Les valeurs de ZT obtenues sont très grandes : de 2.27 pour Ge2Sb2Te5-S1 à 2.97 pour Sb2Te3 en passant 2.63 pour GeSb2Te4. L’application de contraintes permet de moduler les structures de bandes électroniques et phononiques, impactant les propriétés de transport électroniques et thermiques. Le ZT de ces structures sous contraintes est moins élevé que celui des structures non-contraintes mais reste toutefois excellent (>1.5). La dernière partie est consacré à la génération et à l’étude de nouveaux matériaux chalcogénures en couches. A cet effet, un programme écrit en python a été conçu. Il a permis de générer 4307 nouvelles structures en feuillets parmi lesquelles 1132 ont pu être optimisées dans leur état fondamental. Les propriétés topologiques de la densité électronique des structures finales ont été calculées de même que les propriétés thermoélectriques électroniques. Deux structures dopées p et 86 dopées n ont été identifiées avec de bonnes propriétés. Le maximum du facteur de puissance est obtenu pour le composé 3541153 et atteint 2.79×1012Wm−1K−2s−1 pour un niveau de dopage en électrons de 3.16×1021cm−3 à 850 K. L’analyse topologique de la densité électronique des structures montre que 5 types de liaisons coexistent, un type pour chacune des liaisons Ge-Te, Sb-Sb et Te-Te et deux types pour Sb-Te. Nous avons cherché à faire correspondre les propriétés topologiques nécessitant peu de ressources aux propriétés thermoélectriques en nous basant sur l’ensemble des données à haut débit. Au terme du processus de mise en correspondance, nous avons établi deux modèles de régression basés l’un sur l’algorithme bayésien et l’autre sur l’algorithme de forêt aléatoire. Seuls les composés avec un gap ouvert ont été considérés (401). De toute évidence, pour les coefficients de Seebeck ainsi que pour les conductivités électriques, le modèle de forêt aléatoire présente de meilleures performances prédictives que le modèle bayésien avec un RMSE.