通过在机器学习技术中结合电子,制造和环境特征来针对矿太阳能电池的高性能
M Mammeri1, L Dehimi1, H Bencherif2
1LEPCM, Faculty of Science, University of Batna 1, Algeria.
Heliyon
|November 15, 2023
概括
机器学习通过预测高功率转换效率 (PCE) 来优化矿太阳能电池 (PSC). ML确定了新的PSC配置和关键材料特性,导致23%的设备效率.
科学领域:
- 材料科学 材料科学 材料科学
- 可再生能源可再生能源是可再生能源.
- 计算化学计算化学
背景情况:
- 矿太阳能电池 (PSC) 是一个有前途的可再生能源.
- 优化PSC性能需要理解复杂的材料相互作用.
- 目前用于材料发现和优化的方法往往耗时.
研究的目的:
- 采用机器学习 (ML) 来优化矿太阳能电池 (PSC) 的性能.
- 为了确定高功率转换效率 (PCE) 的理想材料和性能.
- 将ML整合到PSC制造和质量控制中.
主要方法:
- 使用3000个PSC样本的数据集.
- 采用随机森林 (RF) 技术进行PCE的分类和预测.
- 分析的特征包括细胞结构,基质,ETL,矿,HTL,反接触和封装材料.
主要成果:
- 确定了新的,高效的PSC配置 (例如Fe2O3/CsPbBrI2/NiO-mp/碳).
- 研究了矿带隙的影响,ETL厚度,回火温度和反接触厚度.
- 开发了一个具有86.4%R2准确度和1.3MSE的预测模型.
- 通过ML推的结构 (SnO2/CsFAMAPbBrI/Spiro-OmeTAD/Au) 实现了~23%的PCE.
结论:
- ML有效地优化了PSC性能,并识别了高效的配置.
- 机器学习集成可以增强PSC制造,减少缺陷,并确保一致的性能.
- 这种方法加速了矿太阳能技术的进步.


