Insinyur menerapkan pembelajaran mesin berbasis fisika untuk produksi sel surya
Engineering

Insinyur menerapkan pembelajaran mesin berbasis fisika untuk produksi sel surya


Terlepas dari kemajuan baru-baru ini dalam efisiensi konversi daya sel surya organik, wawasan tentang stabilitas termo-mekanis yang digerakkan oleh pemrosesan dari lapisan aktif heterojunction massal membantu memajukan bidang ini. Kredit: Departemen Teknik Mesin dan Mekanika/Lehigh University

Saat ini, energi surya menyediakan 2% dari daya AS. Namun, pada tahun 2050, energi terbarukan diprediksi menjadi sumber energi yang paling banyak digunakan (melampaui minyak bumi dan cairan lainnya, gas alam, dan batu bara) dan matahari akan menggantikan angin sebagai sumber utama energi terbarukan. Untuk mencapai titik itu, dan membuat tenaga surya lebih terjangkau, teknologi surya masih membutuhkan sejumlah terobosan. Salah satunya adalah kemampuan untuk lebih efisien mengubah foton cahaya dari Matahari menjadi energi yang dapat digunakan.

Fotovoltaik organik memaksimalkan efisiensi 15% hingga 20%—substansial, tetapi membatasi potensi energi surya. Insinyur Universitas Lehigh Ganesh Balasubramanian, seperti banyak orang lain, bertanya-tanya apakah ada cara untuk meningkatkan desain sel surya agar lebih efisien?

Balasubramanian, seorang profesor Teknik Mesin dan Mekanika, mempelajari fisika dasar bahan di jantung konversi energi matahari—polimer organik yang melewatkan elektron dari molekul ke molekul sehingga dapat disimpan dan dimanfaatkan—serta proses manufaktur yang memproduksi sel surya komersial.

Menggunakan superkomputer Frontera di Texas Advanced Computing Center (TACC)—salah satu yang paling kuat di planet ini—Balasubramanian dan mahasiswa pascasarjananya Joydeep Munshi telah menjalankan model molekuler dari proses produksi sel surya organik, dan merancang kerangka kerja untuk menentukan optimal pilihan rekayasa. Mereka menggambarkan upaya komputasi dan temuan terkait dalam edisi Mei Komputasi IEEE dalam Sains dan Teknik.

“Ketika para insinyur membuat sel surya, mereka mencampur dua molekul organik dalam pelarut dan menguapkan pelarut untuk menciptakan campuran yang membantu konversi eksiton dan transpor elektron,” kata Balasubramanian. “Kami meniru bagaimana sel-sel ini dibuat, khususnya heterojunction massal—lapisan penyerapan sel surya. Pada dasarnya, kami mencoba memahami bagaimana perubahan struktur berkorelasi dengan efisiensi konversi matahari?”

Balasubramanian menggunakan apa yang dia sebut ‘pembelajaran mesin yang diinformasikan fisika’. Penelitiannya menggabungkan simulasi berbutir kasar—menggunakan model molekul perkiraan yang mewakili bahan organik—dan pembelajaran mesin. Balasubramanian percaya bahwa kombinasi tersebut membantu mencegah kecerdasan buatan menghasilkan solusi yang tidak realistis.

“Banyak penelitian menggunakan pembelajaran mesin pada data mentah,” kata Balasubramanian. “Tetapi semakin banyak, ada minat untuk menggunakan pembelajaran mesin yang dididik fisika. Di situlah saya pikir letak manfaat yang paling besar. Pembelajaran mesin itu sendiri hanyalah matematika. Tidak banyak fisika nyata yang terlibat di dalamnya.”

Menulis di Ilmu Material Komputasi pada Februari 2021, Balasubramanian dan Munshi bersama dengan Wei Chen (Universitas Barat Laut), dan TeYu Chien (Universitas Wyoming) menjelaskan hasil dari serangkaian eksperimen virtual di Frontera yang menguji efek dari berbagai perubahan desain. Ini termasuk mengubah proporsi molekul donor dan reseptor dalam heterojungsi massal, dan suhu dan jumlah waktu yang dihabiskan dalam anil—proses pendinginan dan pengerasan yang berkontribusi pada stabilitas produk.

Mereka memanfaatkan data untuk melatih kelas algoritme pembelajaran mesin yang dikenal sebagai mesin vektor pendukung untuk mengidentifikasi parameter dalam bahan dan proses produksi yang akan menghasilkan efisiensi konversi energi paling banyak, sambil mempertahankan kekuatan dan stabilitas struktural. Menggabungkan metode ini bersama-sama, tim Balasubramanian mampu mengurangi waktu yang dibutuhkan untuk mencapai proses yang optimal hingga 40%.

“Pada akhirnya, dinamika molekuler adalah mesin fisik. Itulah yang menangkap fisika fundamental,” katanya. “Pembelajaran mesin melihat angka dan pola, dan algoritma evolusioner memfasilitasi simulasi.”

Insinyur menerapkan pembelajaran mesin berbasis fisika untuk produksi sel surya

Arsitektur struktur heterojunction massal fotovoltaik organik dan ruang lingkup desain. Kredit: Ganesh Balasubramanian, Joydeep Munshi, Universitas Lehigh

Trade-Off dan Batasan

Seperti banyak proses industri, ada trade-off yang terlibat dalam mengutak-atik setiap aspek dari proses manufaktur. Pendinginan yang lebih cepat dapat membantu meningkatkan efisiensi daya, tetapi dapat membuat material menjadi rapuh dan mudah patah, misalnya. Balasubramanian dan timnya menggunakan algoritme pengoptimalan multi-tujuan yang menyeimbangkan keuntungan dan kerugian dari setiap perubahan untuk mendapatkan keseluruhan proses manufaktur yang optimal.

“Ketika Anda mencoba untuk mengoptimalkan satu variabel tertentu, Anda melihat masalah secara linier,” katanya. “Tetapi sebagian besar dari upaya ini memiliki tantangan multi-cabang yang Anda coba selesaikan secara bersamaan. Ada pertukaran yang perlu Anda lakukan, dan peran sinergis yang harus Anda tangkap, untuk mencapai desain yang tepat.”

Simulasi Balasubramanian cocok dengan hasil eksperimen. Mereka menentukan bahwa susunan heterojunction dan suhu/waktu anil memiliki efek terbesar pada efisiensi keseluruhan. Mereka juga menemukan berapa proporsi bahan di heterojunction yang terbaik untuk efisiensi.

“Ada kondisi tertentu yang diidentifikasi dalam literatur yang diklaim orang sebagai kondisi terbaik untuk efisiensi molekul tertentu dan perilaku pemrosesan,” katanya. “Simulasi kami dapat memvalidasinya dan menunjukkan bahwa kriteria lain yang mungkin tidak akan memberikan kinerja yang sama. Kami dapat menyadari kebenarannya, tetapi dari dunia maya.”

Dengan penghargaan lebih banyak waktu di Frontera pada 2021-22, Balasubramanian akan menambahkan lapisan lebih lanjut ke sistem pembelajaran mesin untuk membuatnya lebih kuat. Dia berencana untuk menambahkan data eksperimen, serta modalitas model komputer lainnya, seperti perhitungan struktur elektronik.

“Heterogenitas dalam data akan meningkatkan hasil,” katanya. “Kami berencana untuk melakukan simulasi prinsip pertama bahan dan kemudian memasukkan data itu ke dalam model pembelajaran mesin, serta data dari simulasi kasar.”

Balasubramanian percaya bahwa fotovoltaik organik saat ini mungkin mencapai batas efisiensinya. “Ada tembok yang sulit ditembus dan itu bahannya,” katanya. “Molekul-molekul yang kami gunakan hanya bisa sejauh ini. Hal berikutnya yang harus dicoba adalah menggunakan kerangka kerja kami dengan molekul lain dan bahan canggih.”

Timnya menggali literatur untuk memahami fitur yang meningkatkan efisiensi surya dan kemudian melatih model pembelajaran mesin untuk mengidentifikasi molekul baru yang potensial dengan perilaku transportasi muatan yang ideal. Mereka mempublikasikan penelitian mereka di Jurnal Informasi dan Pemodelan Kimia. Pekerjaan di masa depan di Frontera akan menggunakan kerangka Balasubramanian untuk mengeksplorasi dan menguji bahan alternatif ini secara komputasi, dengan asumsi bahan tersebut dapat diproduksi.

“Setelah terbentuk, kami dapat mengambil molekul realistis yang dibuat di lab dan menempatkannya dalam kerangka yang telah kami buat,” katanya. “Jika kami menemukan bahan baru yang berkinerja baik, itu akan mengurangi biaya perangkat pembangkit tenaga surya dan membantu Ibu Pertiwi.”

Penelitian Balasubramanian memanfaatkan dua hal yang sangat penting untuk simulasi komputer, katanya. “Salah satunya adalah untuk memahami sains yang tidak dapat kita pelajari dengan alat yang kita miliki di dunia nyata. Dan yang lainnya adalah untuk mempercepat sains—merampingkan apa yang sebenarnya harus kita lakukan, yang mengurangi biaya dan waktu kita untuk membuat sesuatu dan secara fisik menguji mereka.”


Aditif molekuler meningkatkan sifat mekanik bahan sel surya organik


Informasi lebih lanjut:
Ganesh Balasubramanian et al, Menuju peningkatan efisiensi sel surya organik dengan pemodelan atomistik berbutir kasar dari morfologi yang bergantung pada pemrosesan, Komputasi dalam Sains & Teknik (2021). DOI: 10.1109/MCSE.2021.3072626

Disediakan oleh University of Texas di Austin

Kutipan: Insinyur menerapkan pembelajaran mesin yang diinformasikan fisika ke produksi sel surya (2021, 9 Juni) diambil 9 Juni 2021 dari https://techxplore.com/news/2021-06-physics-informed-machine-solar-cell-production.html

Dokumen ini tunduk pada hak cipta. Terlepas dari transaksi wajar apa pun untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Togel HKG