基于M₃SbI₃ (M = Ba和Ca) 双吸收矿太阳能电池的机器学习增强的新型设计和性能优化

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:

• 对可再生能源需求的不断增长推动了对先进太阳能电池技术的研究.
• 矿太阳能电池提供高效率,但通常含有,引发环境问题.
• 开发无,高性能替代品对于可持续太阳能至关重要.

研究的目的:

• 提出和分析一种使用Ca3SbI3和Ba3SbI3.3的新型无双吸收矿太阳能电池 (DAPSC).
• 使用设备模拟来评估DAPSC的光伏性能.
• 利用机器学习进行性能预测和识别关键影响因素.

主要方法:

• 使用SCAPS-1D进行设备模拟,以分析Al/FTO/SnS2/Ca3SbI3/Ba3SbI3/CBTS/Au结构.
• 在标准AM1.5G照明下对光伏性能进行评估.
• 应用随机森林回归 (RFR) 和SHAP用于绩效预测和特征重要性分析.

主要成果:

• DAPSC的功率转换效率 (PCE) 达到36.03%,其中Jsc=32.18 mA cm-2,Voc=1.305 V,FF=85.84%.
• 该RFR模型显示了高的预测准确性 (R2 = 0.9635,MAE = 0.4506,RMSE = 0.6253). 这是一个非常好的模型.
• 操作温度和吸收层特性 (兴奋剂,厚度,缺陷水平) 被确定为关键性能因素.

结论:

• 拟议的无DAPSC与单吸收电池相比,显示出优越的光伏性能.
• 这项研究强调了无矿对高效和环保的太阳能发电的潜力.
• 机器学习分析为优化DAPSC性能和稳定性提供了宝贵的见解.