Des ingénieurs appliquent un apprentissage machine basé sur la physique à la production de cellules solaires

Des ingénieurs appliquent un apprentissage machine basé sur la physique à la production de cellules solaires

Malgré les progrès récents de l’efficacité de conversion de puissance des cellules solaires organiques, les connaissances sur la stabilité thermomécanique induite par le traitement des couches actives à hétérojonction en vrac contribuent à faire progresser le domaine. Crédit : Département de génie mécanique et de mécanique/Université Lehigh

Aujourd’hui, l’énergie solaire fournit 2% de l’électricité américaine. Cependant, d’ici 2050, les énergies renouvelables devraient être la source d’énergie la plus utilisée (dépassant le pétrole et d’autres liquides, le gaz naturel et le charbon) et le solaire dépassera l’éolien en tant que principale source d’énergie renouvelable. Pour y parvenir et rendre l’énergie solaire plus abordable, les technologies solaires nécessitent encore un certain nombre de percées. L’un est la capacité de transformer plus efficacement les photons de la lumière du Soleil en énergie utilisable.

Le photovoltaïque organique atteint un rendement maximal de 15 à 20 %, ce qui est substantiel, mais limite le potentiel de l’énergie solaire. L’ingénieur de l’Université de Lehigh, Ganesh Balasubramanian, comme beaucoup d’autres, s’est demandé s’il existait des moyens d’améliorer la conception des cellules solaires pour les rendre plus efficaces ?

Balasubramanian, professeur agrégé de génie mécanique et de mécanique, étudie la physique de base des matériaux au cœur de la conversion de l’énergie solaire – les polymères organiques faisant passer les électrons d’une molécule à l’autre afin qu’ils puissent être stockés et exploités – ainsi que les processus de fabrication qui produire des cellules solaires commerciales.

À l’aide du supercalculateur Frontera du Texas Advanced Computing Center (TACC), l’un des plus puissants de la planète, Balasubramanian et son étudiant diplômé Joydeep Munshi ont exécuté des modèles moléculaires de processus de production de cellules solaires organiques et ont conçu un cadre pour déterminer le meilleur choix d’ingénierie. Ils ont décrit l’effort de calcul et les résultats associés dans le numéro de mai de Informatique IEEE en sciences et en ingénierie.

« Lorsque les ingénieurs fabriquent des cellules solaires, ils mélangent deux molécules organiques dans un solvant et évaporent le solvant pour créer un mélange qui aide à la conversion des excitons et au transport des électrons », a déclaré Balasubramanian. « Nous avons imité la façon dont ces cellules sont créées, en particulier l’hétérojonction en vrac – la couche d’absorption d’une cellule solaire. Fondamentalement, nous essayons de comprendre comment les changements de structure sont en corrélation avec l’efficacité de la conversion solaire ? »

Balasubramanian utilise ce qu’il appelle « l’apprentissage automatique basé sur la physique ». Ses recherches combinent la simulation à gros grains, à l’aide de modèles moléculaires approximatifs qui représentent les matériaux organiques, et l’apprentissage automatique. Balasubramanian pense que cette combinaison aide à empêcher l’intelligence artificielle de proposer des solutions irréalistes.

« De nombreuses recherches utilisent l’apprentissage automatique sur des données brutes », a déclaré Balasubramanian. « Mais de plus en plus, il y a un intérêt à utiliser l’apprentissage machine formé en physique. C’est là que je pense que réside le plus d’avantages. L’apprentissage automatique en soi est simplement des mathématiques. Il n’y a pas beaucoup de physique réelle impliquée là-dedans. »

Écrire dans Science des matériaux computationnelle en février 2021, Balasubramanian et Munshi ainsi que Wei Chen (Northwestern University) et TeYu Chien (University of Wyoming) ont décrit les résultats d’un ensemble d’expériences virtuelles sur Frontera testant les effets de divers changements de conception. Celles-ci comprenaient la modification de la proportion de molécules donneuses et réceptrices dans les hétérojonctions en vrac, ainsi que la température et le temps consacré au recuit, un processus de refroidissement et de durcissement qui contribue à la stabilité du produit.

Ils ont exploité les données pour former une classe d’algorithmes d’apprentissage automatique appelés machines à vecteurs de support afin d’identifier les paramètres des matériaux et du processus de production qui généreraient le plus d’efficacité de conversion d’énergie, tout en maintenant la résistance et la stabilité structurelles. En couplant ces méthodes entre elles, l’équipe de Balasubramanian a pu réduire de 40 % le temps nécessaire pour atteindre un processus optimal.

« En fin de compte, la dynamique moléculaire est le moteur physique. C’est ce qui capture la physique fondamentale », a-t-il déclaré. « L’apprentissage automatique examine les nombres et les modèles, et les algorithmes évolutionnaires facilitent les simulations. »

Des ingénieurs appliquent un apprentissage machine basé sur la physique à la production de cellules solaires

Architecture de la structure à hétérojonction en vrac photovoltaïque organique et périmètre de conception. Crédit : Ganesh Balasubramanian, Joydeep Munshi, Lehigh University

Compromis et limitations

Comme de nombreux processus industriels, des compromis sont nécessaires pour peaufiner n’importe quelle facette du processus de fabrication. Un refroidissement plus rapide peut aider à augmenter l’efficacité énergétique, mais cela peut rendre le matériau cassant et susceptible de se briser, par exemple. Balasubramanian et son équipe ont utilisé un algorithme d’optimisation multi-objectifs qui équilibre les avantages et les inconvénients de chaque changement pour dériver le processus de fabrication optimal global.

« Lorsque vous essayez d’optimiser une variable particulière, vous examinez le problème de manière linéaire », a-t-il déclaré. « Mais la plupart de ces efforts comportent des défis à plusieurs volets que vous essayez de résoudre simultanément. Vous devez faire des compromis et des rôles synergiques que vous devez saisir pour parvenir à la bonne conception. »

Les simulations de Balasubramanian correspondaient aux résultats expérimentaux. Ils ont déterminé que la composition de l’hétérojonction et la température/le moment de recuit ont les effets les plus importants sur l’efficacité globale. Ils ont également trouvé quelle proportion des matériaux dans l’hétérojonction est la meilleure pour l’efficacité.

« Il existe certaines conditions identifiées dans la littérature qui, selon les gens, sont les meilleures conditions d’efficacité pour ces molécules sélectionnées et le comportement de traitement », a-t-il déclaré. « Notre simulation a pu valider ceux-ci et montrer que d’autres critères possibles ne vous donneraient pas les mêmes performances. Nous avons pu réaliser la vérité, mais à partir du monde virtuel. »

Avec une récompense de plus de temps sur Frontera en 2021-2022, Balasubramanian ajoutera des couches supplémentaires au système d’apprentissage automatique pour le rendre plus robuste. Il prévoit d’ajouter des données expérimentales, ainsi que d’autres modalités de modèles informatiques, telles que les calculs de structure électronique.

« L’hétérogénéité des données améliorera les résultats », a-t-il déclaré. « Nous prévoyons de faire d’abord des simulations de principe de matériaux, puis d’introduire ces données dans le modèle d’apprentissage automatique, ainsi que des données de simulations à gros grains. »

Balasubramanian pense que le photovoltaïque organique actuel atteint peut-être les limites de son efficacité. « Il y a un mur difficile à pénétrer et c’est le matériau », a-t-il déclaré. « Ces molécules que nous avons utilisées ne peuvent aller plus loin. La prochaine chose à essayer est d’utiliser notre cadre avec d’autres molécules et matériaux avancés. »

Son équipe a extrait la littérature pour comprendre les caractéristiques qui augmentent l’efficacité solaire, puis a formé un modèle d’apprentissage automatique pour identifier de nouvelles molécules potentielles avec des comportements de transport de charge idéaux. Ils ont publié leurs recherches dans le Journal of Chemical Information and Modelling. Les travaux futurs sur Frontera utiliseront le cadre de Balasubramanian pour explorer et tester informatiquement ces matériaux alternatifs, en supposant qu’ils puissent être produits.

« Une fois établis, nous pouvons prendre des molécules réalistes fabriquées en laboratoire et les mettre dans le cadre que nous avons créé », a-t-il déclaré. « Si nous découvrons de nouveaux matériaux qui fonctionnent bien, cela réduira le coût des appareils de production d’énergie solaire et aidera la Terre Mère. »

La recherche de Balasubramanian exploite les deux choses pour lesquelles les simulations informatiques sont essentielles, dit-il. « L’une consiste à comprendre la science que nous ne pouvons pas étudier avec les outils que nous avons dans le monde réel. Et l’autre est d’accélérer la science – rationaliser ce que nous devons vraiment faire, ce qui réduit notre coût et notre temps pour fabriquer des choses et physiquement testez-les. »


Les additifs moléculaires améliorent les propriétés mécaniques du matériau organique des cellules solaires


Plus d’information:
Ganesh Balasubramanian et al, Vers l’amélioration de l’efficacité des cellules solaires organiques par la modélisation atomistique à gros grains des morphologies dépendantes du traitement, L’informatique dans les sciences et l’ingénierie (2021). DOI : 10.1109/MCSE.2021.3072626

Fourni par l’Université du Texas à Austin

Citation: Les ingénieurs appliquent l’apprentissage machine basé sur la physique à la production de cellules solaires (2021, 9 juin) récupéré le 9 juin 2021 sur https://techxplore.com/news/2021-06-physics-informed-machine-solar-cell-production.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.