提高矿太阳能电池的效率和稳定性:一种多式预测方法,整合了微观结构,组成和处理技术
Wajeeha Rahman1, Chengquan Zhong1, Haotian Liu1
1School of Materials Science and Engineering, Harbin Institute of Technology, Shenzhen 518055, China. zjzhang@hit.edu.cn.
Nanoscale
|June 18, 2025
概括
机器学习模型整合了微结构特征,材料组成和处理参数,提高了矿太阳能电池 (PSC) 性能预测. 较大的矿颗粒大小与更高的功率转换效率 (PCE) 直接相关.
科学领域:
- 材料科学 材料科学 材料科学
- 可再生能源是可再生能源的来源.
- 机器学习 机器学习
背景情况:
- 矿太阳能电池 (PSC) 的性能取决于材料组成,加工和微观结构,影响光伏转换效率 (PCE).
- 传统的机器学习方法往往无法捕捉复杂的多参数交互.
- 要准确预测PSC的性能和稳定性,需要采用多式联网方法.
研究的目的:
- 开发一个多式联机机器学习模型,整合多种数据源,以提高PSC性能预测.
- 研究微观结构特征,材料组成,加工参数和PSC效率之间的关系.
- 用机器学习分类来评估PSC稳定性.
主要方法:
- 开发了一个多式模式模型,结合了SEM衍生微结构数据,材料组成和处理参数.
- 采用了一个具有卷积块注意模块 (CBAM) 和自适应特征融合的特征提取网络.
- 渐变增强回归被确定为性能预测的优越算法;用于稳定性评估的机器学习分类器.
主要成果:
- 该模型实现了PCE预测 (R2=0.84) 和带隙估计 (R2=0.95) 的高精度.
- 机器学习模型在分类PSC稳定性类别方面表现强 (AUC分数从0.76到0.81).
- 证实了更大的矿颗粒大小和更高的PCE之间的直接相关性.
结论:
- 通过整合微结构,组成和处理数据,多式模式有效预测PSC的性能和稳定性.
- 较大的矿颗粒大小是优化PCE的关键因素.
- 该框架经过验证,可跨不同设备大小和大规模生产进行扩展,从而推进高效和持久的PSC开发.
