Trí tuệ nhân tạo giúp mở rộng quy mô sản xuất pin mặt trời tiên tiến

Một loại trí tuệ nhân tạo được gọi là học máy có thể giúp mở rộng quy mô sản xuất pin mặt trời perovskite.

Vật liệu perovskite sẽ tốt hơn silicon trong tế bào PV, nhưng việc sản xuất các tế bào như vậy ở quy mô lớn là một trở ngại lớn. Học máy có thể hữu ích.

Perovskites là một họ vật liệu hiện đang là ứng cử viên hàng đầu để thay thế quang điện mặt trời dựa trên silicon đang được sử dụng rộng rãi ngày nay. Họ mang theo hứa hẹn về các tấm nền nhẹ hơn và mỏng hơn rất nhiều, có thể được sản xuất với khối lượng lớn với thông lượng cực cao ở nhiệt độ phòng thay vì hàng trăm độ, đồng thời vận chuyển và lắp đặt dễ dàng hơn và rẻ hơn. Nhưng việc đưa những vật liệu này từ các thí nghiệm nhỏ trong phòng thí nghiệm thành một sản phẩm có thể được sản xuất một cách cạnh tranh là một cuộc đấu tranh kéo dài.

Sản xuất pin mặt trời dựa trên perovskite liên quan đến việc tối ưu hóa ít nhất một tá biến cùng một lúc, ngay cả trong một phương pháp sản xuất cụ thể trong số nhiều khả năng. Tuy nhiên, một hệ thống mới dựa trên cách tiếp cận mới đối với học máy có thể đẩy nhanh sự phát triển của các phương pháp sản xuất tối ưu hóa và giúp biến thế hệ tiếp theo của điện mặt trời thành hiện thực.

Hệ thống, được phát triển bởi các nhà nghiên cứu tại MIT và Đại học Stanford trong vài năm qua, giúp tích hợp dữ liệu từ các thí nghiệm trước đó và thông tin dựa trên quan sát cá nhân của những người làm việc có kinh nghiệm vào quá trình máy học. Điều này làm cho các kết quả chính xác hơn và đã dẫn đến việc sản xuất các tế bào perovskite với hiệu suất chuyển đổi năng lượng là 18,5%, đây là mức cạnh tranh cho thị trường ngày nay.

Việc sản xuất pin mặt trời perovskite được tối ưu hóa có thể được đẩy nhanh nhờ một hệ thống máy học mới. Nguồn: Ảnh về pin mặt trời của Nicholas Rolston, Stanford, và được chỉnh sửa bởi MIT News. Hình minh họa Perovskite của Christine Daniloff, MIT

Nghiên cứu gần đây đã được công bố trên tạp chí Joule , trong một bài báo của giáo sư kỹ thuật cơ khí Tonio Buonassisi của MIT, giáo sư khoa học và kỹ thuật vật liệu Reinhold Dauskardt tại Stanford, trợ lý nghiên cứu gần đây của MIT Zhe Liu, Nicholas Rolston tốt nghiệp tiến sĩ Stanford và ba người khác.

Perovskites là một nhóm các hợp chất tinh thể phân lớp được xác định bởi cấu hình của các nguyên tử trong mạng tinh thể của chúng. Có hàng ngàn hợp chất có thể có như vậy và nhiều cách khác nhau để tạo ra chúng. Mặc dù hầu hết quá trình phát triển quy mô phòng thí nghiệm của vật liệu perovskite sử dụng kỹ thuật phủ spin, nhưng điều này không thực tế đối với sản xuất quy mô lớn hơn, vì vậy các công ty và phòng thí nghiệm trên khắp thế giới đã tìm kiếm cách biến những vật liệu phòng thí nghiệm này thành một sản phẩm thực tế, có thể sản xuất được.

“Luôn có một thách thức lớn khi bạn đang cố gắng thực hiện một quy trình ở quy mô phòng thí nghiệm và sau đó chuyển nó sang một lĩnh vực nào đó như một công ty khởi nghiệp hoặc một dây chuyền sản xuất,” Rolston, hiện là trợ lý giáo sư tại Đại học Bang Arizona cho biết. Nhóm nghiên cứu đã xem xét một quy trình mà họ cảm thấy có tiềm năng lớn nhất, một phương pháp được gọi là xử lý plasma phun nhanh, hay RSPP.

Quá trình sản xuất sẽ liên quan đến một bề mặt chuyển động cuộn sang cuộn, hoặc một loạt các tấm, trên đó các giải pháp tiền thân của hợp chất perovskite sẽ được phun hoặc phun mực khi tấm được cuộn lại. Sau đó, vật liệu sẽ chuyển sang giai đoạn đóng rắn, cung cấp sản lượng nhanh chóng và liên tục “với thông lượng cao hơn bất kỳ công nghệ quang điện nào khác,” Rolston nói.

“Bước đột phá thực sự với nền tảng này là nó sẽ cho phép chúng tôi mở rộng quy mô theo cách mà không có tài liệu nào khác cho phép chúng tôi làm,” ông nói thêm. “Ngay cả những vật liệu như silicon cũng cần thời gian dài hơn nhiều vì quá trình xử lý đã hoàn thành. Trong khi đó, bạn có thể nghĩ [cách tiếp cận này càng giống] giống như sơn phun ”.

Trong quá trình đó, ít nhất một tá biến có thể ảnh hưởng đến kết quả, với một số biến có thể kiểm soát được nhiều hơn những biến khác. Chúng bao gồm thành phần của nguyên liệu ban đầu, nhiệt độ, độ ẩm, tốc độ của đường xử lý, khoảng cách của vòi phun được sử dụng để phun vật liệu lên bề mặt và các phương pháp bảo dưỡng vật liệu. Nhiều yếu tố trong số này có thể tương tác với nhau, và nếu quá trình này diễn ra trong không khí mở, thì chẳng hạn như độ ẩm có thể không được kiểm soát. Việc đánh giá tất cả các kết hợp có thể có của các biến này thông qua thử nghiệm là không thể, vì vậy máy học là cần thiết để giúp hướng dẫn quá trình thử nghiệm.

Nhưng trong khi hầu hết các hệ thống máy học sử dụng dữ liệu thô, chẳng hạn như các phép đo về điện và các đặc tính khác của mẫu thử nghiệm, chúng thường không kết hợp kinh nghiệm của con người, chẳng hạn như các quan sát định tính do người thử nghiệm thực hiện về hình ảnh và các đặc tính khác của mẫu thử nghiệm, hoặc thông tin từ các thí nghiệm khác do các nhà nghiên cứu khác báo cáo. Vì vậy, nhóm đã tìm ra cách kết hợp thông tin bên ngoài đó vào mô hình học máy, sử dụng hệ số xác suất dựa trên kỹ thuật toán học gọi là Bayesian Optimization.

Anh ấy nói khi sử dụng hệ thống, “có một mô hình lấy từ dữ liệu thử nghiệm, chúng tôi có thể tìm ra các xu hướng mà chúng tôi không thể thấy trước đây”. Ví dụ, ban đầu họ gặp khó khăn khi điều chỉnh các thay đổi không kiểm soát được về độ ẩm trong môi trường xung quanh. Nhưng mô hình đã cho họ thấy “chẳng hạn, chúng ta có thể vượt qua những thách thức về độ ẩm bằng cách thay đổi nhiệt độ và bằng cách thay đổi một số nút bấm khác”.

Hệ thống hiện cho phép người thử nghiệm hướng dẫn quy trình của họ nhanh hơn nhiều để tối ưu hóa quy trình cho một tập hợp các điều kiện nhất định hoặc kết quả bắt buộc. Trong các thử nghiệm của mình, nhóm tập trung vào việc tối ưu hóa sản lượng điện, nhưng hệ thống cũng có thể được sử dụng để kết hợp đồng thời các tiêu chí khác, chẳng hạn như chi phí và độ bền – điều mà các thành viên trong nhóm đang tiếp tục nghiên cứu, Buonassisi cho biết.

Các nhà khoa học đã được khuyến khích bởi Bộ Năng lượng, cơ quan tài trợ cho công việc, thương mại hóa công nghệ và hiện họ đang tập trung vào việc chuyển giao công nghệ cho các nhà sản xuất perovskite hiện có. Buonassisi nói: “Chúng tôi đang liên hệ với các công ty ngay bây giờ, và mã do họ phát triển đã được cung cấp miễn phí thông qua một máy chủ mã nguồn mở. “Hiện đã có trên GitHub, bất kỳ ai cũng có thể tải xuống, bất kỳ ai cũng có thể chạy nó,” anh nói. “Chúng tôi rất vui khi giúp các công ty bắt đầu sử dụng mã của chúng tôi.”

Hiện tại, một số công ty đang chuẩn bị sản xuất các tấm pin mặt trời dựa trên perovskite, mặc dù họ vẫn đang nghiên cứu chi tiết về cách sản xuất chúng, Liu, hiện đang làm việc tại Đại học Bách khoa Tây Bắc ở Tây An, Trung Quốc cho biết. Ông nói rằng các công ty ở đó vẫn chưa sản xuất quy mô lớn, mà thay vào đó bắt đầu với các ứng dụng nhỏ hơn, có giá trị cao như ngói năng lượng mặt trời tích hợp trong tòa nhà, nơi ngoại hình là quan trọng. Ba trong số các công ty này “đang đi đúng hướng hoặc được các nhà đầu tư thúc đẩy sản xuất các mô-đun hình chữ nhật dài 1 mét x 2 mét [tương đương với các tấm pin mặt trời phổ biến nhất hiện nay], trong vòng hai năm,” ông nói.

Liu nói: “Vấn đề là họ không có sự đồng thuận về việc sử dụng công nghệ sản xuất nào. Ông nói, phương pháp RSPP, được phát triển tại Stanford, “vẫn có cơ hội tốt” để cạnh tranh. Và hệ thống học máy mà nhóm đã phát triển có thể chứng tỏ là quan trọng trong việc hướng dẫn tối ưu hóa bất kỳ quy trình nào được sử dụng.

Ông nói: “Mục tiêu chính là đẩy nhanh quá trình, vì vậy cần ít thời gian hơn, ít thí nghiệm hơn và ít giờ làm việc của con người hơn để phát triển thứ gì đó có thể sử dụng được ngay lập tức, miễn phí cho ngành công nghiệp”.

Ted Sargent, Giáo sư Đại học tại Đại học Toronto, cho biết: “Công việc hiện tại về chế tạo PV perovskite dựa trên máy học chủ yếu tập trung vào lớp phủ spin, một kỹ thuật quy mô phòng thí nghiệm. “Một quy trình làm việc dễ dàng thích nghi với các kỹ thuật lắng đọng đang thống trị ngành công nghiệp màng mỏng. Chỉ một số ít các nhóm có chuyên môn đồng thời về kỹ thuật và tính toán để thúc đẩy những tiến bộ như vậy ”. Sargent cho biết thêm rằng cách tiếp cận này “có thể là một bước tiến thú vị cho việc sản xuất nhiều loại vật liệu hơn” bao gồm đèn LED, các công nghệ PV khác và graphene , “nói tóm lại, bất kỳ ngành công nghiệp nào sử dụng một số dạng lắng đọng hơi hoặc chân không”.

Tham khảo: “Học máy với những ràng buộc về kiến thức để tối ưu hóa quy trình sản xuất pin mặt trời perovskite ngoài trời” của Zhe Liu, Nicholas Rolston, Austin C. Flick, Thomas W. Colburn, Zekun Ren, Reinhold H. Dauskardt và Tonio Buonassisi, ngày 13 tháng 4 Năm 2022, Joule .
DOI: 10.1016 / j.joule.2022.03.003

Nhóm cũng bao gồm Austin Flick và Thomas Colburn tại Stanford và Zekun Ren tại Liên minh Khoa học và Công nghệ Singapore-MIT (SMART). Ngoài Bộ Năng lượng, công việc này còn được hỗ trợ bởi sự tài trợ của Sáng kiến Năng lượng MIT, Chương trình Nghiên cứu Sau đại học từ Quỹ Khoa học Quốc gia, và chương trình SMART.

Theo Scitechdaily