无矿太阳能电池的机器学习引导优化:高精度预测PCE
Sanidul Islam1, Nikit Kundra2, Renu Thakur3
1Mahatma Gandhi Central University, Motihari, Bihar, 845401, India.
Environmental science and pollution research international
|October 14, 2025
概括
这项研究通过调整吸收器厚度和兴奋剂度来优化无矿太阳能电池 (PSC),实现高功率转换效率 (PCE). 机器学习模型,特别是XGBoost,准确地预测了PCE,加速了设备开发.
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.
- 计算物理 计算物理
背景情况:
- 无矿太阳能电池 (PSC) 为传统光伏技术提供了一个可持续的替代方案.
- 优化吸收层厚度和兴奋剂度对于提高PSC性能至关重要.
- 机器学习 (ML) 为加速复杂材料系统的设计和优化提供了一个强大的工具.
研究的目的:
- 研究吸收层厚度和受体兴奋剂度对基于CsSn0.5Ge0.5I3的PSC光伏性能的影响.
- 开发和验证用于预测PSC功率转换效率 (PCE) 的ML模型.
- 通过ML驱动的分析来确定影响PSC性能的关键参数.
主要方法:
- 进行了设备模拟,以分析不同吸收器厚度和兴奋剂水平的影响.
- 在1000个模拟PSC的数据集上训练了三个ML算法 (神经网络,随机森林,XGBoost).
- 模型性能使用MSE,RMSE,MAE和R2等指标进行评估,并使用SHAP分析来确定特征的重要性.
主要成果:
- 确定了0.8μm的最佳吸收器厚度,增强了光吸收和电荷提取.
- 最大模拟的光伏参数包括短路电流密度 (JSC) 为 28.53 mA/cm2,开放电路电压 (VOC) 为 1.219 V,PCE为 31.29%.
- 对于PCE,XGBoost表现出优异的预测准确性 (R2 = 0.997),吸收器厚度和兴奋剂度被确定为主要因素.
结论:
- 优化吸收层厚度和接受器兴奋剂度对于最大限度地提高PSC性能至关重要.
- 机器学习模型,特别是XGBoost,可以显著加快PSC的优化过程.
- 这种物理设计和ML的综合方法为推进无PSC技术提供了强大的框架.
