机器学习驱动的SCAPS建模用于优化CH3NH3SnBr3矿太阳能电池:对孔运输材料和活性层的分析见解
Avijit Ghosh1, Mahbuba Moumita2, Md Aliahsan Bappy3
1Department of Electrical and Electronic Engineering, Begum Rokeya University, Rangpur 5400, Bangladesh.
Langmuir : the ACS journal of surfaces and colloids
|April 24, 2025
概括
这项研究使用一种新的CH3NH3SnBr3吸收器与先进的孔运输层 (HTL) 集成,增强矿太阳能电池 (PSC). 优化的设备结构实现了33.70%的功率转换效率 (PCE),解决了稳定性和性能限制.
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.
- 太阳能光伏发电是如何实现的
背景情况:
- 矿太阳能电池 (PSC) 为高效的可再生能源发电提供了一个有希望的途径.
- 基于CH3NH3SnBr3的PSC面临挑战,包括稳定性问题和由于Sn氧化和高缺陷密度的效率有限.
- 合适的电子传输层 (ETL) 和孔传输层 (HTL) 的集成对于设备的性能至关重要.
研究的目的:
- 探索将有机化合物作为吸收剂与HTL集成为稳定和高效的PSC.
- 使用SCAPS-1D模型调查各种层参数 (厚度,合剂,缺陷密度) 对太阳能设备性能的影响.
- 通过优化设备架构和HTL组成,提高CH3NH3SnBr3PSC的稳定性和效率.
主要方法:
- 利用SCAPS-1D模拟工具来建模和分析不同PSC架构的性能.
- 研究了ETL,HTL和吸收层特性的影响,包括厚度,兴奋剂和缺陷密度.
- 采用机器学习 (ML) 来预测优化太阳能电池结构的性能矩阵.
主要成果:
- 一个初始的FTO/SnS2/CH3NH3SnBr3/Ni结构实现了23.88%的功率转换效率 (PCE).
- 优化的FTO/SnS2/CH3NH3SnBr3/CBTS/Ni结构,结合了新的HTL,显示出PCE显著改善33.70%,V_OC为1.128V,J_SC为34.014mA cm−2.2.
- 最好的最佳太阳能电池的机器学习预测显示精度约为83.75%.
结论:
- 建议将CH3NH3SnBr3吸收器与先进的HTL集成为克服PSC稳定性和效率限制提供了一种可行的策略.
- 优化的设备架构显示了开发廉价和高性能薄膜太阳能电池的潜力.
- 对这些结构的进一步研究可能会为高效和稳定的矿太阳能技术的商业化铺平道路.
更多相关视频
10:07Measurement of Dynamic Scapular Kinematics Using an Acromion Marker Cluster to Minimize Skin Movement Artifact
Published on: February 10, 2015
19.1K
07:35Author Spotlight: A Computational Pipeline for Analyzing Chimeric Noncoding RNA-Target RNA Interactions in High-Throughput Sequencing Data
Published on: December 1, 2023
553
