Fotovoltaikus és napelemes

img-mv26vnlb-ddcd108c

 

Leírás

Szita perovszkit, tandem és passzivációs anyagokat előrejelzéssel. A MatterSeek megjósolja a fotovoltaikus anyagok tulajdonságait az összetétel alapján.

 

3 77

Fotovoltaik és napelemek —Anyagrendszer / Megjósolható teljesítmény / Ellenőrzési útvonal

 

 

 

 

 

AI fotovoltaikus anyagokhoz – Perovszkit abszorberek és passziváló rétegek mérnöke előrejelzés alapján

 

 

1. A MatterSeek egy mesterséges intelligencia anyagok kutatási és fejlesztési platformja a fotovoltaikus anyagok fejlesztésére.

Megjósolja az abszorberek, passzivációs rétegek, szállítórétegek és kapszulázó anyagok tulajdonságait a kémiai összetétel alapján, így a jelölt vegyi anyagok rangsorolhatók a bevonási vagy lágyítási futtatás ütemezése előtt.

2. A fotovoltaikus anyagok tervezése többcélú probléma.

Az abszorber szalag szerkezetét úgy kell hangolni, hogy a hő- és nedvességstabilitás megmaradjon; a passzivációs kémiának el kell gátolnia a határfelület rekombinációját anélkül, hogy parazita abszorpciót vezetne be; A tandem veremek kompatibilitási megszorítást adnak mindkettőn felül. Ezen célkitűzések mindegyikét általában külön gyártási és mérési kampányok során tesztelik, és a kombinációk gyorsan szaporodnak.

3. Cserélje le az első szűrési kört előrejelzéssel.

Írja le a célösszetételi tartományt és a szükséges tulajdonságablakot, és a MatterSeek rangsorolt ​​jelölteket ad vissza előre jelzett tulajdonságértékekkel és bizonytalansággal. A platform egy-négy alapelemet kezel 0,02-es adalékolási pontossággal – ez az a granularitás, amelyet az ötvözés és az A- vagy B-helyi helyettesítési vizsgálatok megkövetelnek. A jóslat két alapelem esetén körülbelül egy perc alatt, négynél legfeljebb hét perc alatt fejeződik be. Az eredmények radardiagramok formájában jelennek meg több tulajdonság összehasonlításához, 2D-s és 3D-s hőtérképek, amelyek a kompozíciós térben jelenítik meg az ingatlantájokat, valamint exportálható adattáblázatok a későbbi tervezési áttekintéshez.

4. Lefedett ingatlancsaládok.

A motor átfogja az optikai, elektronikai, termikus, termodinamikai és szerkezeti tulajdonságcsaládokat, beleértve az olvadáspontot és az elektronikus szerkezettel kapcsolatos tulajdonságokat – azokat a mennyiségeket, amelyek szabályozzák a fázisstabilitást az izzítás során, valamint az abszorber vagy a szállítóréteg elektronikus viselkedését.

5. Zárja be a hurkot egy autonóm laborban.

A kiválasztott jelöltek beköltöznek a MatterSeek 1200 m²-es autonóm laboratóriumába. Hat folyamatklasztere lefedi a fotovoltaikához szükséges útvonalakat: tiszta vékonyréteg-leválasztás és utókezelés többfürdős hordozótisztítással, magnetronporlasztás és elektronsugaras elpárologtatás, valamint porózus és oxidrétegek szol-gél és szuperkritikus szárítása. Az automatizált jellemzés magában foglalja az XRD-t a fázisazonosításhoz, a Raman-t, az XRF-et és az egyidejű termikus elemzést, napi 300-500 minta kitűzött céljával, az útvonaltól függően. Az előrejelzés pontossága a fizikai méréshez képest 95,7%.

6. A tárgyalt fotovoltaikus anyagcsaládok közé tartoznak a perovszkit abszorberek,

tandem és transzport rétegek, hiba-passziválási kémiák, átlátszó vezető oxidok és modul tokozási anyagok.

 

GYIK

 

 

K: Megjósolhatja a MatterSeek a perovszkit kompozíciók tulajdonságait?

V: Igen. Ön határozza meg a kompozíciós tartományt és a tulajdonságablakot, és a platform rangsorolt ​​jelölteket ad vissza előre jelzett értékekkel és bizonytalansággal, mielőtt bármilyen filmet lerakna.

K: Mely gyártási útvonalak állnak rendelkezésre az érvényesítéshez?

V: Vékonyréteg-leválasztás magnetronos porlasztással és elektronsugaras elpárologtatással, szol-gél útvonalak és szuperkritikus szárítás – mindez automatizáltan az autonóm laboratóriumban.

K: Mennyire pontosak az előrejelzések?

V: 95,7%-os pontosság a fizikai méréshez képest, előrejelzésenkénti bizonytalansággal.

A Yuyao (Peking) Technology Co., Ltd. egy professzionális cég, amely a mesterséges intelligencia és a napelemek és napelemek fejlett anyagainak metszéspontjára szakosodott. A vállalat önállóan fejlesztette ki a MatterSeeket – egy, az anyagszektorra szabott, nagy alapmodellet –, és úttörő szerepet játszott a HNN (Hierarchical Neural Network) algoritmusban, miközben felépített egy szabadalmaztatott, ellenőrizhető anyagkísérleti adatbázist.