por [ad_1]
Las perovskitas son una familia de materiales que actualmente son los principales candidatos para reemplazar potencialmente a la energía solar fotovoltaica basada en silicio actual. Prometen paneles mucho más delgados y livianos, que podrían fabricarse con un rendimiento ultra alto a temperatura ambiente en lugar de cientos de grados, y que son más baratos y fáciles de transportar e instalar. Pero convertir estos materiales de experimentos de laboratorio controlados en un producto que se pueda producir de manera competitiva ha sido una larga lucha.
La fabricación de células solares basadas en perovskita implica optimizar al menos una docena de variables a la vez, incluso dentro de un enfoque de fabricación particular entre muchas posibilidades. Pero un nuevo sistema basado en un nuevo enfoque del aprendizaje automático podría acelerar el desarrollo de métodos de producción optimizados y ayudar a hacer realidad la próxima generación de energía solar.
El sistema, desarrollado por investigadores del MIT y la Universidad de Stanford durante los últimos años, permite integrar en el proceso de aprendizaje automático datos de experimentos anteriores e información basada en observaciones personales de trabajadores experimentados. Esto hace que los resultados sean más precisos y ya ha llevado a la fabricación de celdas de perovskita con una eficiencia de conversión de energía del 18,5 %, un nivel competitivo para el mercado actual.
La investigación se publica hoy en la revista Jouleen un artículo del profesor de ingeniería mecánica del MIT, Tonio Buonassisi, el profesor de ciencia e ingeniería de materiales de Stanford, Reinhold Dauskardt, el reciente asistente de investigación del MIT, Zhe Liu, el doctorado de Stanford, Nicholas Rolston, y otros tres.
Las perovskitas son un grupo de compuestos cristalinos en capas definidos por la configuración de los átomos en su red cristalina. Hay miles de estos posibles compuestos y muchas formas diferentes de hacerlos. Si bien la mayoría de los desarrollos de materiales de perovskita a escala de laboratorio utilizan una técnica de recubrimiento por rotación, esto no es práctico para la fabricación a gran escala, por lo que las empresas y los laboratorios de todo el mundo han buscado formas de traducir estos materiales de laboratorio en un producto práctico y fabricable.
«Siempre hay un gran desafío cuando se trata de tomar un proceso a escala de laboratorio y luego transferirlo a algo como una puesta en marcha o una línea de fabricación», dice Rolston, quien ahora es profesor asistente en la Universidad Estatal de Arizona. El equipo analizó un proceso que creía que tenía el mayor potencial, un método llamado Rapid Spray Plasma Processing, o RSPP.
El proceso de fabricación implicaría una superficie rodante de rollo a rollo, o una serie de láminas, sobre las cuales se rociarían o inyectarían con tinta las soluciones precursoras del compuesto de perovskita a medida que se enrolla la lámina. Luego, el material pasaría por una etapa de curado, proporcionando una salida rápida y continua «con tasas de flujo más altas que cualquier otra tecnología fotovoltaica», dice Rolston.
“El verdadero avance de esta plataforma es que nos permitiría evolucionar de una forma que ningún otro material nos permitía”, añade. “Incluso los materiales como el silicio requieren un tiempo de entrega mucho mayor debido al procesamiento realizado. para que puedas pensar en [this approach as more] como pintura en aerosol.
En este proceso, al menos una docena de variables pueden afectar el resultado, algunas de ellas más controlables que otras. Estos incluyen la composición de los materiales de partida, la temperatura, la humedad, la velocidad de la ruta de procesamiento, la distancia desde la boquilla utilizada para rociar el material sobre un sustrato y los métodos de curado del material. Muchos de estos factores pueden interactuar entre sí, y si el proceso está al aire libre, la humedad, por ejemplo, puede salirse de control. Evaluar todas las combinaciones posibles de estas variables a través de la experimentación es imposible, por lo que se necesitaba el aprendizaje automático para ayudar a guiar el proceso experimental.
Pero aunque la mayoría de los sistemas de aprendizaje automático usan datos sin procesar, como mediciones de propiedades eléctricas y de otro tipo de muestras de prueba, generalmente no incorporan la experiencia humana, como observaciones cualitativas realizadas por experimentadores de las propiedades, hallazgos visuales y de otro tipo de muestras de prueba, o información de otros experimentos informados por otros investigadores. Entonces, el equipo encontró una manera de introducir esta información externa en el modelo de aprendizaje automático, utilizando un factor de probabilidad basado en una técnica matemática llamada optimización bayesiana.
Usando el sistema, dice, «junto con un modelo de datos experimentales, podemos descubrir tendencias que no podíamos ver antes». Por ejemplo, al principio les resultó difícil adaptarse a las variaciones incontroladas de la humedad en el entorno que les rodeaba. Pero el modelo les mostró que «podríamos superar nuestros problemas de humedad cambiando la temperatura, por ejemplo, y cambiando algunos de los otros botones».
El sistema ahora permite a los experimentadores guiar su proceso mucho más rápido para optimizarlo para un conjunto dado de condiciones o resultados requeridos. En sus experimentos, el equipo se centró en optimizar la producción de energía, pero el sistema también podría usarse para incorporar simultáneamente otros criterios, como el costo y la durabilidad, en los que los miembros del equipo continúan trabajando, explica Buonassisi.
Los investigadores fueron alentados por el Departamento de Energía, que patrocinó el trabajo, a comercializar la tecnología, y actualmente se están enfocando en la transferencia de tecnología a los fabricantes de perovskita existentes. «Estamos llegando a las empresas ahora», dice Buonassisi, y el código que han desarrollado está disponible gratuitamente a través de un servidor de código abierto. «Ahora está en GitHub, cualquiera puede descargarlo, cualquiera puede ejecutarlo», dice. «Nos complace ayudar a las empresas a comenzar a usar nuestro código».
Varias empresas ya se están preparando para producir paneles solares a base de perovskita, aunque todavía están trabajando en los detalles de cómo hacerlos, dice Liu, quien actualmente trabaja en la Universidad Politécnica del Noroeste en Xi’an, China. Él dice que las empresas aún no están fabricando a gran escala, sino que están comenzando con aplicaciones más pequeñas y de alto valor, como paneles solares integrados en edificios, donde la apariencia es importante. Tres de estas empresas “van por buen camino o empujadas por inversores a fabricar módulos rectangulares de 1 metro por 2 metros [comparable to today’s most common solar panels]dentro de dos años”, dijo.
«El problema es que no tienen un consenso sobre qué tecnología de fabricación usar», dice Liu. El método RSPP, desarrollado en Stanford, “todavía tiene buenas posibilidades” de ser competitivo, dice. Y el sistema de aprendizaje automático desarrollado por el equipo podría resultar importante para guiar la optimización de cualquier proceso que finalmente se utilice.
“El objetivo principal era acelerar el proceso, por lo que tomó menos tiempo, menos experimentación y menos horas humanas para desarrollar algo que fuera inmediatamente utilizable, sin cargo, para la industria”, dice. .
«El trabajo existente sobre la fabricación fotovoltaica de perovskita basada en el aprendizaje automático se centra en gran medida en el recubrimiento por rotación, una técnica a escala de laboratorio», dice Ted Sargent, profesor universitario de la Universidad de Toronto, que no estuvo asociado con este trabajo, que él dice que demuestra «un flujo de trabajo que se adapta fácilmente a las técnicas de deposición que dominan la industria de películas delgadas. Solo un puñado de grupos tiene la experiencia simultánea en ingeniería y computación para impulsar tales avances. Sargent agrega que este enfoque «podría ser un avance emocionante para la fabricación de una familia más amplia de materiales», incluidos los LED, otras tecnologías fotovoltaicas y el grafeno, «en resumen, cualquier industria que use alguna forma de deposición en la fase de vapor o bajo Aspirar.
El equipo también incluyó a Austin Flick y Thomas Colburn en Stanford y Zekun Ren en la Alianza Singapur-MIT para la Ciencia y la Tecnología (SMART). Además del Departamento de Energía, el trabajo fue apoyado por una beca de la Iniciativa de Energía del MIT, el Programa de Becas de Investigación para Graduados de la Fundación Nacional de Ciencias y el programa SMART.
[ad_2]
