火星科技网您的位置:首页 >人工智能 >

工程师利用人工智能帮助扩大先进的太阳能电池制造

导读 钙钛矿材料在光伏电池中将优于硅,但大规模制造此类电池是一个巨大的障碍。机器学习可以提供帮助。钙钛矿是一类材料,目前是潜在替代当今硅

钙钛矿材料在光伏电池中将优于硅,但大规模制造此类电池是一个巨大的障碍。机器学习可以提供帮助。钙钛矿是一类材料,目前是潜在替代当今硅基太阳能光伏电池的主要竞争者。他们承诺制造更薄、更轻的面板,可以在室温而不是数百度的温度下以超高的吞吐量制造,这样更便宜、更容易运输和安装。但是,将这些来自受控实验室实验的材料转化为具有竞争力的产品是一项长期的斗争。

制造基于钙钛矿的太阳能电池涉及一次优化至少十几个变量,即使在许多可能性中的一种特定制造方法中也是如此。但是,基于机器学习新方法的新系统可以加速优化生产方法的开发,并有助于使下一代太阳能成为现实。

借助新的机器学习系统,可以加快钙钛矿太阳能电池的优化生产。图片来源:斯坦福大学NicholasRolston的太阳能电池,由MITNews编辑。麻省理工学院ChristineDaniloff的钙钛矿插图。

该系统由麻省理工学院和斯坦福大学的研究人员在过去几年中开发,可以将先前实验的数据和经验丰富的工人基于个人观察的信息整合到机器学习过程中。这使得结果更加准确,并且已经导致钙钛矿电池的制造具有18.5%的能量转换效率,这是当今市场的竞争水平。

这项研究发表在Joule杂志上,由麻省理工学院机械工程教授TonioBuonassisi、斯坦福大学材料科学与工程教授ReinholdDauskardt、最近的麻省理工学院研究助理ZheLiu、斯坦福大学博士研究生NicholasRolston和其他三人撰写。

钙钛矿是一组由晶格中原子构型定义的层状结晶化合物。有成千上万种可能的组合和许多不同的制作方法。虽然大多数钙钛矿材料的实验室规模开发使用旋涂技术,但这对于大规模制造并不实用,因此全球的公司和实验室一直在寻找将这些实验室材料转化为实用、可制造产品的方法。

亚利桑那州立大学助理教授罗尔斯顿说:“当你尝试采用实验室规模的工艺,然后将其转移到初创公司或生产线之类的地方时,总是会遇到很大的挑战。”该团队研究了一种他们认为具有最大潜力的工艺,即快速喷涂等离子工艺或RSPP。

制造过程将涉及移动的卷对卷表面或一系列片材,当片材滚动时,钙钛矿化合物的前体溶液将在其上喷涂或喷墨。然后,该材料将进入固化阶段,提供快速和连续的输出,“其吞吐量高于任何其他光伏技术,”Rolston说。

“这个平台的真正突破在于它可以让我们扩大规模,以至于没有其他材料允许我们这样做,”他补充道。“即使是像硅这样的材料也需要更长的时间,因为要进行加工。而您可以将[这种方法更多地]视为喷漆。”

在这个过程中,至少有十几个变量可能会影响结果,其中一些变量比其他变量更可控。这些包括起始材料的组成、温度、湿度、加工路径的速度、用于将材料喷涂到基材上的喷嘴的距离以及固化方法。这些因素中的许多因素可以相互影响,如果过程是在露天进行,那么例如湿度可能是不受控制的。通过实验评估这些变量的所有可能组合是不可能的,因此需要机器学习来帮助指导实验过程。

但是,虽然大多数机器学习系统使用原始数据,例如测试样本的电气和其他特性的测量值,但它们通常不包含人类经验,例如实验者对测试样本的视觉和其他特性进行的定性观察,或来自其他研究人员报告的不同实验的信息。因此,该团队找到了一种将此类外部信息纳入机器学习模型的方法,该方法使用基于称为贝叶斯优化的数学技术的概率因子。

他说,使用该系统,“有一个来自实验数据的模型;我们可以发现以前看不到的趋势。”例如,他们最初很难适应环境环境中不受控制的湿度变化。但该模型向他们展示了“我们可以通过改变温度和改变其他一些旋钮来克服我们的湿度挑战。”

该系统现在允许实验者更快地指导他们的过程,以便针对给定的一组条件或所需的结果对其进行优化。在他们的实验中,该团队专注于优化功率输出。尽管如此,该系统还可以同时包含其他标准,例如成本和耐用性——团队成员正在继续努力,Buonassisi说。

赞助这项工作的能源部鼓励研究人员将该技术商业化,他们目前正专注于向现有钙钛矿制造商转让技术。“我们现在正在与公司接触,”Buonassisi说,他们开发的代码已通过开源服务器免费提供。“它现在在GitHub上,任何人都可以下载它,任何人都可以运行它,”他说。“我们很高兴帮助公司使用我们的代码。”

现在在西安西北工业大学工作的刘说,已经有几家公司正准备生产基于钙钛矿的太阳能电池板,尽管他们仍在研究如何生产它们。他说,那里的公司还没有进行大规模制造,而是从更小的、高价值的应用开始,例如外观至关重要的建筑集成太阳能瓦片。他说,其中三家公司“正在或正受到投资者的推动,在两年内制造1米乘2米的矩形模块[与当今最常见的太阳能电池板相当]”。

“他们没有就使用什么制造技术达成共识,”刘说。斯坦福大学开发的RSPP方法“仍有很大机会”具有竞争力。该团队开发的机器学习系统可能被证明对于指导最终使用的任何流程的优化非常重要。

“主要目标是加速这一过程,因此它需要更少的时间、更少的实验和更少的人力来开发可以立即免费使用的产品,”他说。

“现有的机器学习驱动的钙钛矿光伏制造工作主要集中在旋涂,这是一种实验室规模的技术,”多伦多大学大学教授TedSargent说。他与这项工作无关,展示了“一种很容易适应主导薄膜行业的沉积技术的工作流程。只有少数几个团队同时拥有工程和计算方面的专业知识来推动这种进步。”

Sargent补充说,这种方法“对于制造更广泛的材料家族来说可能是一个令人兴奋的进步”,包括LED、其他光伏技术和石墨烯,“简而言之,任何使用某种形式的气相或真空沉积的行业”。

标签:

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如有侵权行为,请第一时间联系我们修改或删除,多谢。