使用机器学习探测化矿单晶阻抗光谱的低频响应,使用机器学习
Nishi Parikh1, Seckin Akin2, Abul Kalam3
1Department of Chemistry, School of Energy Technology, Pandit Deendayal Energy University, Gandhinagar 382 007, Gujarat, India.
ACS applied materials & interfaces
|June 2, 2023
概括
机器学习模型现在可以使用电化学阻抗光谱 (EIS) 预测矿太阳能电池 (PSC) 的低频响应. 这加快了分析速度,并减少了测量期间的材料降解.
科学领域:
- 材料科学 材料科学 材料科学
- 电化学 电化学 电化学
- 可再生能源可再生能源是可再生能源.
背景情况:
- 电化学阻抗光谱 (EIS) 对于表征矿太阳能电池 (PSC) 是至关重要的.
- 提取低频EIS数据对于理解离子迁移和载体积累至关重要.
- 长时间的测量时间和材料降解阻碍了传统的EIS分析.
研究的目的:
- 开发一种机器学习 (ML) 模型,用于预测化单晶的低频EIS响应.
- 通过减少对长时间低频EIS测量的依赖来加快PSC的分析.
- 为了减轻长时间的实验条件引起的材料降解.
主要方法:
- 高质量的甲基化 (MAPbBr) 单晶的合成.
- 记录各种应用偏差和照明强度的EIS光谱,以构建一个数据集 (8741个数据点).
- 开发和应用一个监督的ML模型来预测低频EIS数据.
主要成果:
- 该ML模型实现了高精度,在测试组中R2得分为0.981和RMSE为0.0196.
- 该模型准确地预测了低频EIS响应 (50 Hz-300 mHz) 的真实和虚拟部分.
- 实验数据证实了较高应用偏差的负电容,与模型预测一致.
结论:
- 开发的ML模型有效地预测了矿材料的低频EIS反应.
- 这种方法提高了用于PSC分析的EIS测量的可访问性.
- 机器学习为太阳能电池研究中的EIS数据解释提供了一种新且高效的途径.
