Ingenieure setzen KI ein, um die fortschrittliche Solarzellenfertigung zu vergrößern

Perowskite sind eine Materialfamilie, die derzeit dieser führende Bewerber darauf ist, die heutige siliziumbasierte Solarphotovoltaik unter Umständen zu ersetzen. Sie versprechen viel dünnere und leichtere Paneele, die mit ultrahohem Durchsatz im Rahmen Raumtemperatur statt im Rahmen Hunderten von Klasse hergestellt werden könnten und die billiger und einfacher zu transportieren und zu installieren sind. Immerhin jene Materialien aus kontrollierten Laborexperimenten in ein Produkt zu schaffen, dasjenige wettbewerbsfähig hergestellt werden kann, war ein langer Kampf.

Die Herstellung von Solarzellen hinauf Perowskitbasis erfordert die gleichzeitige Optimierung von mindestens einem zwölf Variablen, sogar intrinsisch eines bestimmten Herstellungsansatzes unter vielen Möglichkeiten. Immerhin ein neues System, dasjenige hinauf einem neuartigen Prozedur des maschinellen Lernens basiert, könnte die Weiterentwicklung optimierter Produktionsmethoden beschleunigen und dazu hinzufügen, die nächste Generation von Solarenergie Wirklichkeit werden zu lassen.

Dies System, dasjenige in den letzten Jahren von Forschern des MIT und dieser Stanford University entwickelt wurde, ermöglicht es, Wissen aus früheren Experimenten und Informationen, die hinauf persönlichen Beobachtungen erfahrener Mitwirkender basieren, in den maschinellen Lernvorgang zu integrieren. Dies macht die Ergebnisse genauer und hat schon zur Herstellung von Perowskit-Zellen mit einer Energieumwandlungseffizienz von 18,5 von Hundert geführt, einem wettbewerbsfähigen Niveau zum Besten von den heutigen Markt.

Die Wissenschaft wird in dieser Zeitschrift Joule in einem Einschränkung des MIT-Professors zum Besten von Maschinenbau Tonio Buonassisi, des Stanford-Professors zum Besten von Materialwissenschaft und -technik Reinhold Dauskardt, des jüngsten MIT-Forschungsassistenten Zhe Liu, des Stanford-Doktoranden Nicholas Rolston und drei weiterer Personen veröffentlicht.

Perowskite sind eine Typ von geschichteten kristallinen Verbindungen, die durch die Konfiguration dieser Atome in ihrem Kristallgitter definiert sind. Es gibt Tausende solcher möglicher Verbindungen und viele verschiedene Arten, sie herzustellen. Während die meisten Entwicklungen von Perowskit-Materialien im Labormaßstab eine Schleuderbeschichtungstechnik verwenden, ist dies zum Besten von die Herstellung in größerem Skala nicht praktikabel. Von dort nach sich ziehen Unternehmen und Labore hinauf dieser ganzen Welt nachher Wegen gesucht, jene Labormaterialien in ein praktisches, herstellbares Produkt zu umwandeln.

„Es ist immer eine große Herausforderung, kombinieren Prozess im Labormaßstab zu nehmen und ihn dann hinauf so irgendetwas wie ein Startup oder eine Fertigungslinie zu transferieren“, sagt Rolston, dieser jetzt Assistenzprofessor an dieser Arizona State University ist. Dies Team untersuchte kombinieren Prozess, dieser seiner Meinung nachher dasjenige größte Potenzial hatte, eine Methode namens Rapid Spray Plasma Processing oder RSPP.

Dies Herstellungsverfahren würde eine sich bewegende Rolle-zu-Rolle-Oberfläche oder eine Warteschlange von Blättern einkakulieren, hinauf die die Vorläuferlösungen zum Besten von die Perowskit-Vernetzung gesprüht oder mit Tintenstrahl aufgebracht würden, während dasjenige Papier vorbeirollt. Dies Werkstoff würde dann in eine Härtungsphase hinwegsetzen und eine schnelle und kontinuierliche Leistung liefern, „mit Durchsätzen, die höher sind denn im Rahmen jeder anderen Photovoltaiktechnologie“, sagt Rolston.

„Dieser wirkliche Perforation im Rahmen dieser Plattform besteht darin, dass sie es uns zuteilen würde, hinauf eine Weise zu skalieren, die uns kein anderes Werkstoff ermöglicht hat“, fügt er hinzu. „Sogar Materialien wie Silizium benötigen aufgrund dieser durchgeführten Weiterverarbeitung kombinieren viel längeren Zeitrahmen. Wodurch Sie sich vorstellen können [this approach as more] wie Sprühlackierung.“

Intrinsisch dieses Prozesses können mindestens ein zwölf Variablen dasjenige Ergebnis manipulieren, von denen manche besser kontrollierbar sind denn andere. Zusammenhängen die Zusammensetzung dieser Ausgangsmaterialien, die Temperatur, die Feuchtigkeit, die Schnelligkeit des Verarbeitungsweges, dieser Leerschritt dieser Injektor, mit dieser dasjenige Werkstoff hinauf ein Trägermaterial gesprüht wird, und die Verfahren zum Vulkanisieren des Materials. Viele dieser Faktoren können miteinander interagieren, und wenn dieser Prozess im Freien stattfindet, kann z. B. die Luftfeuchtigkeit unkontrolliert sein. Es ist unmöglich, jeglicher möglichen Kombinationen dieser Variablen durch Experimente zu einstufen, von dort war maschinelles Lernen erforderlich, um den experimentellen Prozess zu steuern.

Immerhin während die meisten maschinellen Lernsysteme Rohdaten wie Messungen dieser elektrischen und anderen Eigenschaften von Testproben verwenden, berücksichtigen sie normalerweise keine menschliche Erlebnis wie qualitative Beobachtungen dieser Experimentatoren dieser visuellen und anderen Eigenschaften dieser Testproben. oder Informationen aus anderen Experimenten, die von anderen Forschern berichtet wurden. Deswegen fand dasjenige Team kombinieren Weg, solche externen Informationen in dasjenige maschinelle Lernmodell zu integrieren, während es kombinieren Wahrscheinlichkeitsfaktor verwendete, dieser hinauf einer mathematischen Technologie namens Bayes’sche Optimierung basiert.

Mit dem System, sagt er, „können wir mit einem Muster, dasjenige aus experimentellen Wissen stammt, Trends herausfinden, die wir vorher nicht sehen konnten.“ Zum Beispiel hatten sie von Beginn an Schwierigkeiten, sich an unkontrollierte Schwankungen dieser Luftfeuchtigkeit in ihrer Umgebung anzupassen. Immerhin dasjenige Muster zeigte ihnen, „dass wir unsrige Feuchtigkeitsprobleme besiegen könnten, während wir zum Exempel die Temperatur ändern und manche dieser anderen Knöpfe ändern“.

Dies System ermöglicht es Experimentatoren jetzt, ihren Prozess viel schneller zu steuern, um ihn zum Besten von eine bestimmte Warteschlange von Bedingungen oder erforderlichen Ergebnissen zu optimieren. In ihren Experimenten konzentrierte sich dasjenige Team hinauf die Optimierung dieser Leistungsabgabe, freilich dasjenige System könnte unter ferner liefen verwendet werden, um synchron andere Kriterien wie Preis und Haltbarkeit zu berücksichtigen – irgendetwas, woraus die Mitglieder des Teams weiter funktionieren, sagt Buonassisi.

Die Forscher wurden vom Energieministerium, dasjenige die Arbeit finanzierte, ermutigt, die Technologie zu kommerzialisieren, und sie unterordnen sich derzeit hinauf den Technologietransfer zu bestehenden Perowskit-Herstellern. „Wir wenden uns jetzt an Unternehmen“, sagt Buonassisi, und dieser von ihnen entwickelte Schlüssel wurde weiterführend kombinieren Open-Source-Server unbesetzt verfügbar gemacht. „Es ist jetzt hinauf GitHub, jeder kann es herunterladen, jeder kann es effektuieren“, sagt er. „Wir helfen Unternehmen gerne beim Einstieg in die Verwendung unseres Codes.“

Mehrere Unternehmen zubereiten sich schon hinauf die Produktion von Solarmodulen hinauf Perowskitbasis vor, obwohl sie noch an den Einzelheiten ihrer Herstellung funktionieren, sagt Liu, dieser jetzt an dieser Northwestern Polytechnical University in Xi’an, Reich der Mitte, ist. Er sagt, dass die Unternehmen dort noch keine Massenproduktion betreiben, sondern mit kleineren, hochwertigen Anwendungen wie gebäudeintegrierten Solarziegeln beginnen, im Rahmen denen dasjenige Figur wichtig ist. Drei dieser Unternehmen „sind hinauf Wegstrecke oder werden von Investoren dazu gedrängt, rechteckige Module mit einer Größe von 1 Meter mal 2 Meter herzustellen [comparable to today’s most common solar panels]intrinsisch von zwei Jahren“, sagt er.

„Dies Problem ist, dass sie keinen Konsens darüber nach sich ziehen, welche Fertigungstechnologie sie verwenden sollen“, sagt Liu. Die RSPP-Methode, die in Stanford entwickelt wurde, „hat immer noch gute Entwicklungsmöglichkeiten“, wettbewerbsfähig zu sein, sagt er. Und dasjenige maschinelle Lernsystem Dies entwickelte Team könnte sich denn wichtig erweisen, um die Optimierung des letztendlich verwendeten Prozesses zu steuern.

„Dies Hauptziel war es, den Prozess zu beschleunigen, sodass weniger Zeit, weniger Experimente und weniger Arbeitsstunden erforderlich waren, um irgendetwas zu gedeihen, dasjenige sofort kostenlos zum Besten von die Industrie nutzbar ist“, sagt er.

„Bestehende Funktionieren zur durch maschinelles Lernen angetriebenen Perowskit-PV-Fertigung unterordnen sich hauptsächlich hinauf die Schleuderbeschichtung, eine Technologie im Labormaßstab“, sagt Ted Sargent, Universitätsprofessor an dieser University of Toronto, dieser nicht an dieser Arbeit beteiligt war, die seiner Meinung nachher demonstriert wird „ein Arbeitsgang, dieser leichtgewichtig an die Abscheidetechniken individuell werden kann, die in dieser Dünnschichtindustrie vorherrschen. Sargent fügt hinzu, dass dieser Prozedur „ein aufregender Fortschritt zum Besten von die Herstellung einer breiteren Familie von Materialien sein könnte“, darunter LEDs, andere PV-Technologien und Graphen, „von kurzer Dauer gesagt, jede Gewerbe, die jedwede Form von Schwaden- oder Vakuumabscheidung verwendet“.

Zum Team gehörten unter ferner liefen Austin Flick und Thomas Colburn in Stanford sowie Zekun Rentier von dieser Singapore-MIT Alliance for Science and Technology (SMART). Neben dem Energieministerium wurde die Arbeit durch ein Stipendium dieser MIT Energy Initiative, dasjenige Graduate Research Fellowship Program dieser Nationalistisch Science Foundation und dasjenige SMART-Sendung unterstützt.

Forschungsbericht: Maschinelles Lernen mit Wissensbeschränkungen zur Prozessoptimierung im Rahmen dieser Herstellung von Perowskit-Solarzellen unter freiem Himmel

verwandte Sinister

Forschungslabor zum Besten von Photovoltaik

Die Gesamtheit weiterführend Solarenergie im Rahmen SolarDaily.com

Höherer Solarertrag, weniger Stromaufwand

Kyoto, Land der aufgehenden Sonne (SPX), 08.04.2022

Glitzernde Solardächer hinauf Wohn-, Prostitution- und Industriegebäuden könnten demnächst mit dieser kohlenstoffbasierten organischen Solarzelle oder OSC ein neues Figur erhalten. Dünnheit und Vielseitigkeit exemplifizieren zum Teil, warum OSCs unter Umständen eine bessere Option zu herkömmlichen Zellen hinauf Siliziumbasis darstellen. Immerhin nicht jeglicher OSCs sind gleich. Es wurde nun herausgefunden, dass diejenigen, die hinauf Nicht-Fulleren-Akzeptoren oder NFAs basieren, selbst mit einem relativ niedrigen Offset von 0,1 eV effizient Strom erzeugen. Im Vergleich zu herkömmlichen Fulleren-basierten Typen … weiterlesen