Математическое моделирование процесса электрохимического синтеза тонких пленок Sb2S3

Cover Page

Cite item

Full Text

Abstract

Проведено математическое моделирование и оптимизация технологического процесса электрохимического осаждения тонких пленок Sb2S3 гальваностатическим методом в различных условиях на никелевых электродах. На основании изучения влияния различных факторов (концентрация исходных компонентов, температура, плотность тока и т. д.) выбраны оптимальный режим электролиза и состав электролита для процесса совместного осаждения. Проведен статистический анализ полученного уравнения регрессии, вычислена средняя ошибка аппроксимации, оценено среднеквадратичное отклонение. Для оценки построенного уравнения множественной регрессии вычислен критерий Фишера и оценены коэффициенты регрессии. Полученное уравнение регрессии определяет содержание электролита и условия электролиза, позволяющие осаждать сплав Sb–S, содержащий в составе необходимое количество Sb. Математические расчеты были выполнены в программном пакете с использованием специально разработанного для этого процесса программного обеспечения.

Full Text

В последние годы халькогениды металлов привлекли большое внимание благодаря своим уникальным электрическим и оптическим свойствам [1–8]. Среди этих материалов сульфид сурьмы (Sb2S3) — важный полупроводниковый материал с хорошо известными квантовыми эффектами, фоточувствительностью, термоэлектрическими свойствами и т. д. [9–12].

Сульфид сурьмы (Sb2S3) имеет уникальную параллельную цепочечную структуру, в которой один атом Sb координирован в плоскости сильными ковалентными связями с тремя атомами S, а другой атом Sb координирован с пятью атомами S, из которых три атома связаны прочными ковалентными связями внутри одной цепи, а два других атома S связаны слабой ван-дер-ваальсовой связью с соседней параллельной цепью [13]. Из-за такой структуры Sb2S3 отличается сильным поглощением фотонов и электропроводностью, необходимыми для фотоанодов [14, 15].

Цель исследования — разработка уравнения регрессии процесса электроосаждения Sb2S3. Тонкие пленки Sb2S3 синтезированы электрохимическим методом [16, 17]. При электроосаждении происходит так называемая самосборка частиц, т. е. предварительно сформированные дисперсные частицы из источников катионов и анионов, смешанных с электролитом, послойно прикрепляются к растущей поверхности. В этом случае качество пленки зависит от свойств используемых наночастиц, а также от условий эксперимента, включая контроль величин тока или потенциала. При этом для получения тонких пленок определение оптимального режима синтеза требует проведения многочисленных экспериментов, отнимающих много времени. Во избежание этого на основе полученных результатов составляется математическая модель процесса электроосаждения, что сокращает число проводимых экспериментов и время, затраченное на исследования [18–21].

Математическое моделирование — мощный инструмент для вычисления максимальной рентабельности и решения различных проблем, возникающих при синтезе тонких пленок. Построение математической модели электрохимического процесса и выбор основных параметров, выраженных в виде математических функций, позволяет увеличить выход вещества и снизить его себестоимость [22]. При этом математическая модель должна не только точно описывать фактический процесс, но и обеспечивать точность расчетов, будучи достаточно простой. Используя методы математической статистики результатов процесса, можно легко определить влияние важных параметров (концентрация исходных компонентов, температура, плотность тока) на процесс и его протекание. На основе полученных экспериментальных результатов электроосаждения и для их подтверждения было составлено уравнение регрессии, вычислен критерий значимости и адекватности [23–27].

Экспериментальная часть

Исследование фазового состава, морфологии, рельефа и определение элементного состава (энергодисперсионная спектроскопия, ЭДС) электроосажденных образцов Sb2S3 проводили с помощью рентгенофазового (РФА) анализатора D2 Phaser (Bruker; фильтр CuKα, Ni-электрод) и сканирующего электронного микроскопа (СЭМ) марки Carel Zeiss Sigma, а также фотокалориметрическим методом.

Для приготовления электролитов химические чистые исходные вещества SbOCl (2A Pharmachem) и Na2SO3 (ООО «АО Реахим») по отдельности растворяли в бидистиллированной воде, содержащей 0.007 М винной кислоты (х.ч.) (IndiaMART).

Вычислительный эксперимент. Для подтверждения экспериментальных данных исследуемого процесса на их основе было составлено регрессионное уравнение

Y = b0 + b1X1 + b2X2 + b3X3,(1)

где bi — эмпирические коэффициенты, Xi — факторы процесса, Y — количество Sb в пленке Sb2S3, а также рассчитаны критерии значимости и адекватности [23–27].

Вычисления выполнены с помощью специально разработанного для этого процесса программного обеспечения. При планировании полного факторного эксперимента (ПФЭ) данного процесса реализуются все возможные комбинации факторов на всех выбранных для исследования уровнях (табл. 1).

 

Таблица 1

Результаты проведенных экспериментов процесса электроосаждения Sb2S3

N

Плотность тока, мA·cм–2

Концентрация SbOCl, М

Концентрация Na2SO3, М

Количество Sb в пленке Sb2S3, %

Относительная погрешность [YэYр]/Yэ

Yэ эксперимент

Yр расчет

1

1.5

0.025

0.025

42.3

53.04595

0.202578

2

2.5

0.025

0.025

45.0

48.36655

0.069605

3

5.0

0.025

0.025

47.8

36.66805

0.303587

4

6.0

0.025

0.025

42.5

31.98865

0.328596

5

8.0

0.025

0.025

15.1

22.62985

0.33274

6

1.5

0.05

0.05

69.8

70.07129

0.003872

7

2.5

0.05

0.05

67.7

65.39189

0.035297

8

5.0

0.05

0.05

62.5

53.69339

0.164017

9

7.0

0.05

0.05

37.6

44.33459

0.151904

10

1.5

0.06

0.04

74.2

79.16089

0.062668

11

2.5

0.06

0.04

72.5

74.48149

0.026604

12

5.0

0.06

0.04

69.8

64.78299

0.07187

13

6.0

0.06

0.04

61.9

58.10359

0.065339

14

7.0

0.06

0.04

47.5

53.42419

0.11089

15

1.5

0.04

0.06

62.1

60.98169

0.018338

16

2.5

0.04

0.06

60.1

56.30229

0.067452

17

6.0

0.04

0.06

42.5

39.92439

0.064512

18

7.0

0.04

0.06

25.7

35.24499

0.270818

 

Уравнение регрессии для данного процесса составлено и оценено методом множественной регрессии. В частности, полученный вектор оценок коэффициентов регрессии имеет вид

 

Y(X) =

1.154

–0.0556

–9.299

–10.641

×

946.6

=

43.04

0.0112

0.0359

0.132

3664.15

–4.679

–9.299

0.0359

374.08

–168.714

43.868

794.987

–10.641

0.132

–168.714

410.012

41.158

–113.973

 

Отсюда следует, что уравнение регрессии (оценка уравнения регрессии) имеет следующий вид:

Y = b0 + b1X1 + b2X2 + b3X3 = 43.0397 – 4.6794X1 + 794.9869X2 –113.9731X3,(2)

где X1 — плотность тока (мA·cм–2), X2 и Х3 — исходные концентрации SbOCl и Na2SO3 соответственно, Y — конечное количество Sb2S3 (%).

Также проведен статистический анализ полученного уравнения регрессии: проверка значимости уравнения и его коэффициентов, исследование абсолютных и относительных ошибок аппроксимации. Для нахождения несмещенной оценки дисперсии были осуществлены следующие вычисления (табл. 2).

 

Таблица 2

Результаты вычислений несмещенной дисперсии

Y

Y(x)

ε = YY(x)

ε2

(YYср)2

|ε:Y|

42.3

53.046

–10.746

115.477

105.861

0.154

45

48.367

–3.367

11.334

57.591

0.0748

47.8

36.668

11.132

123.916

22.933

0.233

42.5

31.989

10.511

110.483

101.786

0.247

15.1

22.63

–7.53

56.703

1405.417

0.329

69.8

70.071

–0.271

0.0736

296.222

0.00389

67.7

65.392

2.308

5.327

228.346

0.0341

62.5

53.694

8.806

77.553

98.23

0.141

37.6

44.335

–6.735

45.359

224.667

0.119

74.2

79.161

–4.961

24.611

467.04

0.0669

72.5

74.482

–1.982

3.927

396.452

0.0273

69.8

62.783

7.017

49.236

296.222

0.101

61.9

58.104

3.796

14.411

86.697

0.0613

47.5

53.424

–5.924

35.099

25.897

0.125

62.1

60.982

1.118

1.25

90.461

0.018

60.1

56.302

3.798

14.422

56.417

0.0632

42.5

39.925

2.575

6.633

101.786

0.0606

25.7

35.245

–9.545

91.112

723.012

0.371

786.926

4785.038

1.56

 

Средняя ошибка аппроксимации была рассчитана по формуле

A=ε:Yn100%=1.5618100%=8.67% (3)

и оценено среднеквадратичное отклонение:

S=S2=34.24=5.85. (4)

Обсуждение результатов

В выражении (2) коэффициент b1 показывает, что с увеличением плотности тока на 1 мA·cм–2 количество Sb2S3 уменьшается на 0.046%; коэффициенты b2 и b3 свидетельствуют о том, что с увеличением концентраций SbOCl и Na2SO3 на 0.1 моль·л–1 количество осажденного Sb2S3 увеличивается на 7.94 и 1.14% соответственно. Это показывает, что самым чувствительным параметром, влияющим на выход Sb2S3, является исходная концентрация SbOCl. Из рис. 1 видно, что максимальному выходу Sb соответствует плотность тока 4.5 мA·см–2.

 

Рис. 1. Зависимость выхода Sb от плотности тока в пленке Sb2S3.

 

На рис. 2 показана зависимость выхода Sb от концентрации SbOCl; видно, что с увеличением концентрации SbOCl выход Sb в пленке Sb2S3 тоже повышается.

 

Рис. 2. Зависимость выхода Sb от концентрации SbOCl в пленке Sb2S3.

 

Рис. 3 показывает, что максимальному выходу Sb в пленке соответствует исходная концентрация Na2SO3 0.042 моль·л–1.

 

Рис. 3. Зависимость выхода Sb от исходной концентрации Na2SO3 в пленке Sb2S3.

 

Если факторные признаки различны по своей сущности и имеют различные единицы измерения, то коэффициенты регрессии bi при разных факторах являются несопоставимыми. Поэтому уравнение регрессии дополняют соизмеримыми показателями тесноты связи фактора с результатом, позволяющими ранжировать факторы по силе влияния на результат.

Далее была проведена проверка значимости параметров множественного уравнения регрессии (2).

Число степеней свободы системы равно v = nm – 1, где n — количество экспериментов, m — число оцениваемых параметров.

Считается, что при оценке множественной линейной регрессии для обеспечения статистической надежности необходимо, чтобы число наблюдений по крайней мере в 3 раза превосходило число оцениваемых параметров. Проверка общего качества уравнения множественной регрессии проведена с помощью критерия Фишера [26].

R2=1s2(yiy)2=1786.9264785.04=0.8355, (5)

F=R21R2nm1m==0.835510.835518313=23.71, (6)

где F — критерий Фишера, R — множественный коэффициент корреляции.

При степенях свободы k1 = 3 и k2 = nm – 1 = 18 – – 3 – 1 = 14 табличное значение критерия Фишера Fkp(k1; k2) = Fkp(3; 14) = 5.56 [26].

Поскольку фактическое значение F > Fkp, коэффициент детерминации статистически значим и уравнение регрессии статистически надежно.

Выводы

В результате расчетов получено уравнение множественной регрессии: Y = 43.0397 – 4.6794X1 + + 794.9869X2 – 113.9731X3. Анализ данного уравнения показывает, что с увеличением плотности тока на 1 мA·cм–2 количество Sb2S3 уменьшается на 0.046%, с увеличением начальной концентрации SbOCl на 0.1 моль·л–1 количество Sb2S3 увеличивается на 7.94%, а с увеличением начальной концентрации Na2SO3 на 0.1 моль·л–1 количество Sb2S3 увеличивается на 1.14%. Это означает, что самым чувствительным параметром, влияющим на выход Sb2S3, является начальная концентрация SbOCl. Статистическая значимость уравнения проверена с помощью коэффициента детерминации и критерия Фишера. Установлено, что в исследуемой ситуации 83.55% общей вариабельности выходного количества Sb–S объясняется изменением плотности тока и начальных концентраций SbOCl и Na2SO3.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов, требующего раскрытия в данной статье.

Информация о вкладе авторов

В. А. Меджидзаде написала и оформила статью; Г. С. Алиев построил графики и интерпретировал их; С. П. Джавадова проводила электрохимическое осаждение тонких пленок; С. Ф. Джафарова проводила термический отжиг осажденных тонких пленок; Н. И. Шыхалиев и Р. А. Исмаилова изучили математическое моделирование и оптимизацию технологического процесса полученных тонких пленок; А. Ш. Алиев предложил метод электрохимического получения тонких пленок и помог в обсуждении полученных результатов; Д. Б. Тагиев интерпретировал полученные результаты анализов.

×

About the authors

Вюсала Асим кызы Меджидзаде

Институт катализа и неорганической химии им. акад. М. Нагиева Министерства науки и образования Азербайджана

Author for correspondence.
Email: vuska_80@mail.ru
ORCID iD: 0000-0001-5639-3104
Scopus Author ID: 57193275482
ResearcherId: P-9196-2019

к.х.н., доцент

Azerbaijan, 1143, г. Баку, пр. Г. Джавида, д. 113

Гошгар Сейфулла оглы Алиев

Институт катализа и неорганической химии им. акад. М. Нагиева Министерства науки и образования Азербайджана; Западно-Каспийский Университет

Email: vuska_80@mail.ru
ORCID iD: 0000-0002-2237-3444
Scopus Author ID: 55646110800
ResearcherId: AAA-1293-2019

к.х.н., доцент

Azerbaijan, 1143, г. Баку, пр. Г. Джавида, д. 113; 1001, г. Баку, ул. Истиглалият, д. 31

Севиндж Пири кызы Джавадова

Институт катализа и неорганической химии им. акад. М. Нагиева Министерства науки и образования Азербайджана

Email: vuska_80@mail.ru
ORCID iD: 0000-0001-7974-6072
Scopus Author ID: 57221292178
ResearcherId: CXU-8057-2022
Azerbaijan, 1143, г. Баку, пр. Г. Джавида, д. 113

Самира Фикрет кызы Джафарова

Институт катализа и неорганической химии им. акад. М. Нагиева Министерства науки и образования Азербайджана

Email: vuska_80@mail.ru
ORCID iD: 0009-0001-3928-2960
ResearcherId: CWN-4046-2022

к.х.н.

Azerbaijan, 1143, г. Баку, пр. Г. Джавида, д. 113

Низами Исмаил оглы Шыхалиев

Азербайджанский технический университет

Email: vuska_80@mail.ru
ORCID iD: 0009-0003-4474-1855

к.ф-м.н., доцент

Azerbaijan, 1073, г. Баку, пр. Г. Джавида, д. 25

Рена Ашраф кызы Исмаилова

Азербайджанский технический университет

Email: vuska_80@mail.ru
ORCID iD: 0000-0001-5841-3420

к.м.н.

Azerbaijan, 1073, г. Баку, пр. Г. Джавида, д. 25

Акиф Шихан оглы Алиев

Институт катализа и неорганической химии им. акад. М. Нагиева Министерства науки и образования Азербайджана

Email: vuska_80@mail.ru
ORCID iD: 0000-0003-0560-5263
Scopus Author ID: 56385376400
ResearcherId: W-7967-2019

д.х.н., проф.

Azerbaijan, 1143, г. Баку, пр. Г. Джавида, д. 113

Дильгам Бабир оглы Тагиев

Институт катализа и неорганической химии им. акад. М. Нагиева Министерства науки и образования Азербайджана

Email: vuska_80@mail.ru
ORCID iD: 0000-0002-8312-2980
Scopus Author ID: 6508009961
ResearcherId: HTP-0119-2023

акад.

Azerbaijan, 1143, г. Баку, пр. Г. Джавида, д. 113

References

  1. Chen J.-H., Chiu S.-K., Luo J.-D., Huang S.-Y., Ting H.-A., Hofmann M., Hsieh Y.-P., Ting C.-C. Robust formation of amorphous Sb2S3 on functionalized graphene for high-performance optoelectronic devices in the cyan-gap // Sci. Reports. 2020. V. 10. Article number: 14873. https://doi.org/10.1038/s41598-020-70879-1
  2. Lee J., Kim D., Park J., Oh J.-W., Kang Y.-C. Tailoring the surface characteristics of CuSe thin films by adjusting the compositional ratio // Phys. Status Solidi A. 2021. 218. 2100148. https://doi.org/10.1002/pssa.202100148
  3. Park J., Seo J., Lim J.-H., Yoo B. Synthesis of copper telluride thin films by electrodeposition and their electrical and thermoelectric properties // Front Chem. 2022. V. 10. 799305. https://doi.org/10.3389/fchem.2022.799305
  4. Hossain M. I., Siddiquee K. A. M. H., Islam O., Gafur M. A., Qadir M. R., Ahmed N. A. Characterization of electrodeposited ZnTe thin films // J. Opt. 2019. V. 48. P. 295–301. https://doi.org/10.1007/s12596-019-00550-0
  5. Bala M., Bhogra A., Khan S. A., Tripathi T. S., Tripathi S. K., Avasthi D. K., Asokan K. Enhancement of thermoelectric power of PbTe thin films by Ag-ion implantation // J. Appl. Phys. 2017. V. 121. 215301. https://doi.org/10.1063/1.4984050
  6. Khadir A. Performance investigation of Sb2S3 and Sb2Se3 earth abundant based thin film solar cells // Opt. Mater. 2022. V. 127. 112281. https://doi.org/10.1016/j.optmat.2022.112281
  7. Jing Y., Jie W. H., Jia S. W., Liang X. X. Superamphiphobic, light-trapping FeSe2 particles with a micro-nano hierarchical structure obtained by an improved solvothermal method // Chin. Phys. B. 2014. V. 23. 016803. https://doi.org/10.1088/1674-1056/23/1/016803
  8. Zeynalova A. O., Javadova S. P., Majidzade V. A., Aliyev A. Sh. Electrochemical synthesis of iron monoselenide thin films // Chem. Problems. 2021. V. 19. N 4. P. 262–271. https://doi.org/10.32737/2221-8688-2021-4-262-271
  9. Wallace A. G., King R. P., Zhelev N., Jaafar A. H., Levason W., Huang R., Reid G., Bartlett P. N. Anodic Sb2S3 electrodeposition from a single source precursor for resistive random-access memory devices // Electrochim. Acta. 2022. V. 432. 141162. https://doi.org/10.1016/j.electacta.2022.141162
  10. de Araújo Moisés A., Lucas Francisco W. S., Mascaro Lucia H. Effect of the electrodeposition potential on the photoelectroactivity of the SnS/Sb2S3 thin films // J. Solid State Electrochem. 2020. V. 24. P. 389–399. https://doi.org/10.1007/s10008-020-04508-2
  11. Avilez Garcia R. G., Meza Avendaño C. A., Pal Mou, Paraguay Delgado F., Mathews N. R. Antimony sulfide (Sb2S3) thin films by pulse electrodeposition: Effect of thermal treatment on structural, optical and electrical properties // Mater. Sci. Semicond. Process. 2016. V. 44. P. 91–100. https://doi.org/10.1016/j.mssp.2015.12.018
  12. Zhou B., Hayashi T., Hachiya K., Sagawa T. Preparation of Sb2S3 nanorod arrays by hydrothermal method as light absorbing layer for Sb2S3-based solar cells // Thin Solid Films. 2022. V. 757. 139389. https://doi.org/10.1016/j.tsf.2022.139389
  13. Sharma V., Das T. K., Ilaiyaraja P., Dakshinamurthy A. C., Sudakar C. Growth of Sb2S3 semiconductor thin film on different morphologies of TiO2 nanostructures // Mater. Res. Bull. 2020. V. 131. ID 110980. https://doi.org/10.1016/j.materresbull.2020.110980
  14. Zakaznova-Herzog V. P., Harmer S. L., Nesbitt H. W., Bancroft G. M., Flemming R., Pratt A. R. High resolution XPS study of the large-band-gap semiconductor stibnite (Sb2S3): Structural contributions and surface reconstruction // Surf. Sci. 2006. V. 600. N 2. P. 348–356. https://doi.org/10.1016/j.susc.2005.10.034
  15. Park Y. S., Jin X., Tan J., Lee H., Yun J., Ma S., Jang G., Kim T., Shim S. G., Kim K., Lee J., Lee Ch. U., Hwang S.-J., Moon J. High-performance Sb2S3 photoanode enabling iodide oxidation reaction for unbiased photoelectrochemical solar fuel production // Energy Environ. Sci. 2022. N 15. P. 4725–4737. https://doi.org/10.1039/d1ee02940a
  16. Меджидзаде В. А., Джавадова С. П., Джафарова С. Ф., Алиев А. Ш., Тагиев Д. Б. Электрохимическое осаждение тонких пленок Sb2S3 // ЖПХ. 2022. Т. 95. № 10. C. 1329–1336. https://doi.org/10.31857/S0044461822100127 [Majidzade V. A., Javadova S. P., Jafarova S. F., Aliyev A. Sh., Tagiyev D. B. Electrochemical deposition of Sb2S3 thin films // Russ. J. Appl. Chem. 2022. V. 95. N 10. P. 1627–1633. https://doi.org/10.1134/S1070427222100147].
  17. Majidzade V. A., Jafarova S. F., Javadova S. P., Aliyev A. Sh., Tagiyev D. B. The latest progress on synthesis and investigation of Sb2S3-based thin films // Chem. Problems. 2023. V. 21. N 2. P. 99–122. https://doi.org/10.32737/2221-8688-2023-2-99-122
  18. Javadova S. P., Majidzade V. A., Aliyev Q. S., Aliyev A. Sh., Tagiyev D. B. Mathematical modeling of the electrodeposition process of bismuth-selenium system // Chem. Problems. 2021. V. 19. N 1. P. 47–55. https://doi.org/10.32737/2221-8688-2021-1-47-55
  19. Majidzade V. A., Aliyev G. S., Aliyev A. Sh., Huseynova R. H., Mammadova Z. M. Mathematical modeling and optimization of the electrodeposition process of antimony-selenium system // Azerb. Chem. J. 2021. N 1. P. 30–36. https://doi.org/10.32737/0005-2531-2021-1-30-36
  20. Jafarova S. F. Mathematical modeling for the electrochemical deposition process of molybdenum-sulfur system // Processes of Petrochem. and Oil Refining. 2019. V. 20. N 2. P. 138–144.
  21. Majidzade V. A., Javadova S. P., Aliyev G. S., Aliyev A. Sh., Tagiyev D. B. Electrodeposition of Sb–Se thin films from organic electrolyte // Chem. Africa. 2022. V. 5. P. 2085–2094. https://doi.org/10.1007/s42250-022-00480-8
  22. Меджидзаде В. А., Алиев Г. С., Джавадова С. П., Алиев А. Ш., Дадашова С. Д., Тагиев Д. Б. Математическое моделирование и оптимизация процесса формирования функциональных тонких пленок // Математическое моделирование. 2022. Т. 34. № 6. C. 111–119. https://doi.org/10.20948/mm-2022-06-07 [Majidzade V. A., Aliyev G. S., Javadova S. P., Aliyev A. Sh., Dadashova S. D., Tagiyev D. B. Mathematical modeling and optimization of the process of formation of functional thin MoSe2 films // Math. Models. Comput. Simul. 2023. V. 15. P. 73–78. https://doi.org/10.1134/S2070048223010118
  23. Самарский А. А. Введение в численные методы. М.: Лань, 2005. 288 с.
  24. Самарский А. А., Михайлов А. П. Математическое моделирование. Идеи. Методы. Примеры. М.: Физматгиз, 1997. 320 с.
  25. Быков В. И., Журавлев В. М. Моделирование и оптимизация химико-технологических процессов. Красноярск: ИПЦ КГТУ, 2002. 298 с.
  26. Ахназарова С. Л., Кафаров В. В. Методы оптимизации эксперимента в химической технологии. М.: Высш. шк., 1985 327 с.
  27. Кафаров В. В. Методы кибернетики в химии и химической технологии. Л.: Химия, 1971. 190 c.

Supplementary files

Supplementary Files
Action
1. JATS XML
2. Fig. 1. Dependence of the Sb yield on the current density in the Sb2S3 film.

Download (75KB)
3. Fig. 2. Dependence of the Sb yield on the concentration of SbOCl in the Sb2S3 film.

Download (90KB)
4. Fig. 3. Dependence of the Sb yield on the initial concentration of Na2SO3 in the Sb2S3 film.

Download (100KB)

Copyright (c) 2024 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».