パフォーマンス最適化と機械学習による無鉛KGeCl3ペロブスキート太陽電池のパラメータ感度分析
Tanzir Ahamed1,2, Md Mehedi Hasan Bappy1,2, Mohammad Rahimul Islam1
1Department of Electrical and Electronic Engineering, CCN University of Science and Technology Cumilla-3503 Bangladesh tanzir.eee2k15@gmail.com.
RSC advances
|February 16, 2026
まとめ
この研究では,KGeCl3吸収器を搭載した,鉛のないゲルミウムベースのペロブスキート太陽電池 (PSC) を調査しています. WS2の電子伝送層 (ETL) 構成は,最大電力変換効率 (PCE) 21.39%を達成しました.
科学分野:
- マテリアルサイエンス 材料科学
- 再生可能エネルギーの再生可能エネルギー
- フォトボルトイカは,太陽光発電の
背景:
- ペロブスキート太陽電池 (PSC) は,有望な光伏性能を提供します.
- 無鉛のPSCの開発は,環境の持続可能性にとって極めて重要です.
- ゲルマニウムベースのペロブスキットは,鉛ベースの材料の有効な代替品として浮上しています.
研究 の 目的:
- 無鉛のGeベースのPSCの性能を調査する.
- KGeCl3 吸収器ベースの装置の異なる電子輸送層 (ETL) を評価する.
- シミュレーションと機械学習を使用してPSCパラメータを最適化します.
主な方法:
- SCAPS-1Dを使用してデバイスシミュレーションを行い,材料のパラメータ (厚さ,ドーピング,欠陥,抵抗,温度,作業機能) を最適化します.
- KGeCl3吸収器とさまざまなETL (WS2,ZnSe,PC60BM,SNS2) を搭載したPSCの製造と特徴付け.
- 機械学習 (ランダムフォレスト,XGBoost,CatBoost,ディシジョンツリー) を機能重要性分析に応用する.
主要な成果:
- FTO/CFTS/KGeCl3/WS2/Auのソーラーセル構成は,最大電力変換効率 (PCE) を21.39%と示しました.
- 他のETLでは,PCEは21.38% (ZnSe),21.05% (PC60BM),および20.43% (SnS2) であった.
- CatBoostの機械学習モデルは,材料の特徴の重要性を評価する上で高い精度 (99.344%) とR2 (0.984) を達成しました.
結論:
- KGeCl3吸収器を搭載した無鉛のGeベースのPSCは,非常に効果的です.
- WS2は,これらの太陽電池の性能を高めるための最適なETLです.
- 機械学習は,PSCの材料パラメータ最適化に関する貴重な洞察を提供します.
