Perovskieten zijn een familie van materialen die momenteel de grootste kanshebber zijn om de huidige op silicium gebaseerde fotovoltaïsche zonne-energie mogelijk te vervangen. Ze houden de belofte in van panelen die veel dunner en lichter zijn, die kunnen worden gemaakt met een ultrahoge doorvoer bij kamertemperatuur in plaats van bij honderden graden, en die goedkoper en gemakkelijker te vervoeren en te installeren zijn. Maar om deze materialen uit gecontroleerde laboratoriumexperimenten in een product te brengen dat concurrerend kan worden vervaardigd, is een lange strijd geweest.
Het vervaardigen van op perovskiet gebaseerde zonnecellen omvat het optimaliseren van ten minste een tiental variabelen tegelijk, zelfs binnen één bepaalde fabricagebenadering uit vele mogelijkheden. Maar een nieuw systeem op basis van een nieuwe benadering van machine learning zou de ontwikkeling van geoptimaliseerde productiemethoden kunnen versnellen en de volgende generatie zonne-energie kunnen helpen realiseren.
Het systeem, dat de afgelopen jaren door onderzoekers van MIT en Stanford University is ontwikkeld, maakt het mogelijk om gegevens van eerdere experimenten en informatie op basis van persoonlijke observaties van ervaren werknemers te integreren in het machine learning-proces. Dit maakt de resultaten nauwkeuriger en heeft al geleid tot de productie van perovskietcellen met een energieconversie-efficiëntie van 18,5 procent, een concurrerend niveau voor de huidige markt.
Het onderzoek wordt gerapporteerd in het tijdschrift Joule, in een paper van MIT-hoogleraar werktuigbouwkunde Tonio Buonassisi, Stanford-hoogleraar materiaalkunde en techniek Reinhold Dauskardt, recente MIT-onderzoeksassistent Zhe Liu, Stanford-doctoraalstudent Nicholas Rolston en drie anderen.
Perovskieten zijn een groep gelaagde kristallijne verbindingen gedefinieerd door de configuratie van de atomen in hun kristalrooster. Er zijn duizenden van dergelijke mogelijke verbindingen en veel verschillende manieren om ze te maken. Hoewel de meeste ontwikkeling van perovskietmaterialen op laboratoriumschaal een spin-coatingtechniek gebruikt, is dat niet praktisch voor productie op grotere schaal, dus hebben bedrijven en laboratoria over de hele wereld gezocht naar manieren om deze laboratoriummaterialen om te zetten in een praktisch, produceerbaar product.
“Er is altijd een grote uitdaging als je een proces op laboratoriumschaal probeert te nemen en het vervolgens wilt overbrengen naar zoiets als een startup of een productielijn”, zegt Rolston, die nu een assistent-professor is aan de Arizona State University. Het team keek naar een proces dat volgens hen het grootste potentieel had, een methode die snelle sproeiplasmaverwerking of RSPP wordt genoemd.
advertentie
Het fabricageproces zou een bewegend rol-naar-rol-oppervlak of een reeks vellen omvatten, waarop de voorloperoplossingen voor de perovskietverbinding zouden worden gesproeid of met een inktstraal zouden worden gespoten terwijl het vel voorbij rolde. Het materiaal zou dan naar een uithardingsfase gaan, wat een snelle en continue output oplevert “met doorvoersnelheden die hoger zijn dan bij elke andere fotovoltaïsche technologie”, zegt Rolston.
“De echte doorbraak met dit platform is dat het ons in staat zou stellen te schalen op een manier die geen ander materiaal ons heeft toegestaan”, voegt hij eraan toe. “Zelfs materialen zoals silicium hebben een veel langer tijdsbestek nodig vanwege de verwerking die is uitgevoerd, terwijl je [deze benadering als meer] kunt zien als verfspuiten.”
Binnen dat proces kunnen minstens een dozijn variabelen de uitkomst beïnvloeden, waarvan sommige beter beheersbaar zijn dan andere. Deze omvatten de samenstelling van de uitgangsmaterialen, de temperatuur, de vochtigheid, de snelheid van het verwerkingspad, de afstand van de spuitmond die wordt gebruikt om het materiaal op een substraat te spuiten en de methoden om het materiaal uit te harden. Veel van deze factoren kunnen met elkaar in wisselwerking staan, en als het proces in de open lucht plaatsvindt, kan bijvoorbeeld de luchtvochtigheid ongecontroleerd zijn. Het is onmogelijk om alle mogelijke combinaties van deze variabelen door middel van experimenten te evalueren, dus machine learning was nodig om het experimentele proces te begeleiden.
Maar hoewel de meeste machine-learningsystemen onbewerkte gegevens gebruiken, zoals metingen van de elektrische en andere eigenschappen van testmonsters, nemen ze doorgaans geen menselijke ervaring op, zoals kwalitatieve observaties door de onderzoekers van de visuele en andere eigenschappen van de testmonsters, of informatie uit andere experimenten gerapporteerd door andere onderzoekers. Het team vond dus een manier om dergelijke externe informatie in het machine learning-model op te nemen, met behulp van een waarschijnlijkheidsfactor die is gebaseerd op een wiskundige techniek die Bayesiaanse optimalisatie wordt genoemd.
Met behulp van het systeem, zegt hij, “met een model dat afkomstig is van experimentele gegevens, kunnen we trends ontdekken die we eerder niet konden zien.” Ze hadden bijvoorbeeld aanvankelijk moeite om zich aan te passen aan ongecontroleerde variaties in vochtigheid in hun omgevingsomgeving. Maar het model toonde hen “dat we onze uitdagingen op het gebied van vochtigheid konden overwinnen door bijvoorbeeld de temperatuur te veranderen en door enkele andere knoppen te veranderen.”
Het systeem stelt onderzoekers nu in staat om hun proces veel sneller te sturen om het te optimaliseren voor een bepaalde reeks voorwaarden of vereiste resultaten. In hun experimenten richtte het team zich op het optimaliseren van het vermogen, maar het systeem kan ook worden gebruikt om tegelijkertijd andere criteria op te nemen, zoals kosten en duurzaamheid – iets waar leden van het team aan blijven werken, zegt Buonassisi.
advertentie
De onderzoekers werden aangemoedigd door het ministerie van Energie, dat het werk sponsorde, om de technologie te commercialiseren, en ze richten zich momenteel op technologieoverdracht naar bestaande perovskietfabrikanten. “We nemen nu contact op met bedrijven”, zegt Buonassisi, en de code die ze hebben ontwikkeld, is vrij beschikbaar gesteld via een open-sourceserver. “Het staat nu op GitHub, iedereen kan het downloaden, iedereen kan het gebruiken”, zegt hij. “We helpen bedrijven graag op weg met het gebruik van onze code.”
Verschillende bedrijven bereiden zich al voor op de productie van op perovskiet gebaseerde zonnepanelen, hoewel ze nog steeds de details van de productie ervan aan het uitwerken zijn, zegt Liu, die nu aan de Northwestern Polytechnical University in Xi’an, China werkt. Hij zegt dat bedrijven daar nog niet op grote schaal produceren, maar in plaats daarvan beginnen met kleinere, hoogwaardige toepassingen zoals gebouwgeïntegreerde zonnetegels waar uiterlijk belangrijk is. Drie van deze bedrijven “zijn op schema of worden door investeerders gepusht om binnen twee jaar rechthoekige modules van 1 meter bij 2 meter te produceren [vergelijkbaar met de meest voorkomende zonnepanelen van vandaag]”, zegt hij.
‘Het probleem is dat ze geen consensus hebben over welke productietechnologie ze moeten gebruiken’, zegt Liu. De RSPP-methode, ontwikkeld aan Stanford, ‘heeft nog steeds een goede kans’ om concurrerend te zijn, zegt hij. En het machine learning-systeem het ontwikkelde team kan belangrijk blijken te zijn bij het begeleiden van de optimalisatie van het proces dat uiteindelijk wordt gebruikt.
“Het primaire doel was om het proces te versnellen, zodat er minder tijd, minder experimenten en minder menselijke uren nodig waren om iets te ontwikkelen dat meteen gratis bruikbaar is voor de industrie”, zegt hij.
Het team omvatte ook Austin Flick en Thomas Colburn van Stanford en Zekun Ren van de Singapore-MIT Alliance for Science and Technology (SMART). Naast het Department of Energy werd het werk ondersteund door een fellowship van het MIT Energy Initiative, het Graduate Research Fellowship Program van de National Science Foundation en het SMART-programma.
lees het gehele artikel bij de bron
Samenvatting: Perovskietmaterialen kunnen mogelijk silicium vervangen om zonnecellen te maken die veel dunner, lichter en goedkoper zijn. Maar het is een lange strijd geweest om van deze materialen een product te maken dat concurrerend kan worden vervaardigd. Een nieuw systeem dat gebruik maakt van machine learning zou de ontwikkeling van geoptimaliseerde productiemethoden kunnen versnellen en deze volgende generatie zonne-energie kunnen helpen realiseren.
Datum van publicatie: 15 april 2022
Bron: Technologie | Top technologienieuws — ScienceDaily