Aurinkosähkö ja aurinkoenergia

img-mv26vnlb-ddcd108c

 

Kuvaus

Seula perovskiitti-, tandem- ja passivointimateriaalit ennustamalla. MatterSeek ennustaa aurinkosähkömateriaalin ominaisuuksia koostumuksesta.

 

3 77

Aurinkosähkö ja aurinko -Materiaalijärjestelmä / ennustettava suorituskyky / validointipolku

 

 

 

 

 

Tekoäly aurinkosähkömateriaaleja varten — Suunnitteli perovskiittiabsorberit ja passivointikerrokset ennustamisen mukaan

 

 

1. MatterSeek on tekoälymateriaalien T&K-alusta aurinkosähkömateriaalien kehittämiseen.

Se ennustaa absorboivien, passivointikerrosten, kuljetuskerrosten ja kapselointimateriaalien ominaisuudet kemiallisesta koostumuksesta, joten ehdokaskemiat voidaan luokitella ennen pinnoitus- tai hehkutusajoa.

2. Aurinkosähkömateriaalien suunnittelu on monitavoite ongelma.

Absorbernauhan rakenne on viritettävä niin, että lämpö- ja kosteusstabiilisuus säilyy; passivointikemian on tukahdutettava rajapinnan rekombinaatio ilman loisten absorptiota; tandem-pinot lisäävät yhteensopivuusrajoituksen molempien päälle. Jokainen näistä tavoitteista testataan yleensä erillisillä valmistus- ja mittauskampanjoilla, ja yhdistelmät lisääntyvät nopeasti.

3. Korvaa ensimmäinen seulontakierros ennusteella.

Kuvaile kohdekoostumusaluetta ja tarvitsemaasi kiinteistöikkunaa, niin MatterSeek palauttaa paremmuusjärjestykseen sijoitetut ehdokkaat ennustetuilla kiinteistöarvoilla ja epävarmuudella. Alusta käsittelee yhdestä neljään peruselementtiä doping-tason tarkkuudella 0,02 – seoksella ja A- tai B-paikan substituutiotutkimukset itse asiassa vaativat. Ennustus valmistuu noin minuutissa kahdelle peruselementille, jopa seitsemässä minuutissa neljälle. Tulokset esitetään tutkakaavioina useiden kiinteistöjen vertailua varten, 2D- ja 3D-lämpökarttoja, jotka visualisoivat kiinteistöjen maisemia koko kokoonpanotilassa, ja vientikelpoisina tietotaulukoina loppupään suunnittelua varten.

4. Kiinteistöperheet kuuluvat.

Moottori kattaa optiset, elektroniset, termiset, termodynaamiset ja rakenteelliset ominaisuusperheet, mukaan lukien sulamispisteeseen ja elektroniseen rakenteeseen liittyvät ominaisuudet – suureet, jotka säätelevät vaiheen stabiilisuutta hehkutuksen aikana ja absorboijan tai siirtokerroksen elektronista käyttäytymistä.

5. Sulje silmukka itsenäisessä laboratoriossa.

Valitut ehdokkaat muuttavat MatterSeekin 1 200 m²:n autonomiseen laboratorioon. Sen kuusi prosessiklusteria kattavat aurinkosähkön kannalta tärkeät reitit: puhdas ohutkalvopinnoitus ja jälkikäsittely monikylpypohjaisella puhdistuksella, magnetronisputterointi ja elektronisuihkuhaihdutus sekä huokoisten ja oksidikerrosten sooli-geeli ja ylikriittinen kuivaus. Automaattinen karakterisointi sisältää XRD:n vaiheiden tunnistamiseen, Ramanin, XRF:n ja samanaikaisen lämpöanalyysin. Tavoitteena on 300–500 näytettä päivässä reitistä riippuen. Ennustetarkkuus on 95,7 % fyysiseen mittaukseen verrattuna.

6. Käsiteltyjä aurinkosähkömateriaaliperheitä ovat perovskiitin absorboijat,

tandem- ja kuljetuskerrokset, vikapassivointikemiat, läpinäkyvät johtavat oksidit ja moduulien kapselointimateriaalit.

 

FAQ

 

 

K: Voiko MatterSeek ennustaa perovskiittikoostumusten ominaisuuksia?

V: Kyllä. Määrität koostumusalueen ja ominaisuusikkunan, ja alusta palauttaa paremmuusjärjestykseen sijoitetut ehdokkaat ennustetuilla arvoilla ja epävarmuudella ennen kalvon tallettamista.

K: Mitkä valmistusreitit ovat käytettävissä validointia varten?

V: Ohutkalvopinnoitus magnetronisputteroinnilla ja elektronisuihkuhaihdutuksella, sooli-geeli-reitit ja ylikriittinen kuivaus – kaikki automatisoitua autonomisessa laboratoriossa.

K: Kuinka tarkkoja ennusteet ovat?

V: 95,7 %:n tarkkuus fyysistä mittausta vastaan, ja epävarmuus ilmoitetaan ennustekohtaisesti.

Yuyao (Beijing) Technology Co., Ltd. on ammattimainen yritys, joka on erikoistunut tekoälyn ja aurinkosähkön ja aurinkoenergian kehittyneiden materiaalien risteykseen. Yritys on itsenäisesti kehittänyt MatterSeekin – perustavanlaatuisen materiaalisektorille räätälöidyn suuren mallin – ja uranuurtanut HNN-algoritmin (Hierarchical Neural Network) ja rakentanut samalla omaa, hallittavaa materiaalikokeilutietokantaa.