Cette configuration expérimentale a été utilisée par l'équipe pour mesurer la puissance électrique d'un échantillon de matériau de cellule solaire, dans des conditions contrôlées de température et d'éclairage variables. Les données de ces tests ont ensuite été utilisées comme base pour la modélisation informatique en utilisant des méthodes statistiques pour prédire les performances globales du matériau dans des conditions de fonctionnement réelles. Crédit :Riley Brand
La quête mondiale des chercheurs pour trouver mieux, matériaux plus efficaces pour les panneaux solaires de demain est généralement lent et laborieux. Les chercheurs doivent généralement produire des échantillons de laboratoire - qui sont souvent composés de plusieurs couches de différents matériaux liés ensemble - pour des tests approfondis.
Maintenant, une équipe du MIT et d'autres institutions a trouvé un moyen de contourner une fabrication et des tests aussi coûteux et chronophages, permettant un dépistage rapide de beaucoup plus de variations que ce qui serait pratique par l'approche traditionnelle.
Le nouveau procédé pourrait non seulement accélérer la recherche de nouvelles formulations, mais aussi faire un travail plus précis pour prédire leurs performances, explique Rachel Kurchin, un étudiant diplômé du MIT et co-auteur d'un article décrivant le nouveau processus qui paraît cette semaine dans la revue Joule . Les méthodes traditionnelles « exigent souvent que vous fassiez un échantillon spécialisé, mais qui diffère d'une cellule réelle et peut ne pas être entièrement représentatif" des performances d'une cellule solaire réelle, elle dit.
Par exemple, les méthodes d'essai typiques montrent le comportement des « porteurs majoritaires, " les particules ou lacunes prédominantes dont le mouvement produit un courant électrique à travers un matériau. Mais dans le cas des matériaux photovoltaïques (PV), Kurchin explique, ce sont en fait les porteurs minoritaires, ceux qui sont beaucoup moins abondants dans la matière, qui sont le facteur limitant de l'efficacité globale d'un appareil, et ceux-ci sont beaucoup plus difficiles à mesurer. En outre, les procédures typiques ne mesurent que le flux de courant dans un ensemble de directions - dans le plan d'un matériau à couche mince - alors que c'est le flux ascendant qui est en fait exploité dans une cellule solaire en fonctionnement. Dans de nombreux matériaux, ce flux peut être " radicalement différent, " rendant indispensable la compréhension pour bien caractériser le matériau, elle dit.
« Historiquement, le taux de développement de nouveaux matériaux est lent—généralement 10 à 25 ans, " dit Tonio Buonassisi, professeur agrégé de génie mécanique au MIT et auteur principal de l'article. "L'une des choses qui ralentit le processus est le temps qu'il faut pour dépanner les prototypes à un stade précoce, ", dit-il. " La caractérisation prend du temps - parfois des semaines ou des mois - et les mesures n'ont pas toujours la sensibilité nécessaire pour déterminer la cause première de tout problème. "
Donc, Buonassisi dit, "l'essentiel est, si nous voulons accélérer le rythme du développement de nouveaux matériaux, il est impératif que nous trouvions des moyens plus rapides et plus précis de dépanner nos matériaux et nos prototypes à un stade précoce. » Et c'est ce que l'équipe a maintenant accompli. Ils ont développé un ensemble d'outils qui peuvent être utilisés pour évaluations rapides des matériaux proposés, en utilisant une série de tests de laboratoire relativement simples combinés à une modélisation informatique des propriétés physiques du matériau lui-même, ainsi qu'une modélisation supplémentaire basée sur une méthode statistique connue sous le nom d'inférence bayésienne.
Le système consiste à réaliser un dispositif de test simple, puis mesurer sa sortie de courant sous différents niveaux d'éclairement et différentes tensions, pour quantifier exactement comment la performance varie dans ces conditions changeantes. Ces valeurs sont ensuite utilisées pour affiner le modèle statistique.
"Après avoir acquis de nombreuses mesures courant-tension [de l'échantillon] à différentes températures et intensités d'éclairage, nous devons déterminer quelle combinaison de matériaux et de variables d'interface convient le mieux à notre ensemble de mesures, " explique Buonassisi. " Représenter chaque paramètre comme une distribution de probabilité nous permet de tenir compte de l'incertitude expérimentale, et cela nous permet également de déterminer quels paramètres varient."
Le processus d'inférence bayésienne permet de mettre à jour les estimations de chaque paramètre en fonction de chaque nouvelle mesure, affiner progressivement les estimations et se rapprocher toujours plus de la réponse précise, il dit.
En recherchant une combinaison de matériaux pour un type particulier d'application, Kurchin dit, "nous mettons dans toutes ces propriétés de matériaux et propriétés d'interface, et il vous dira à quoi ressemblera la sortie."
Le système est assez simple pour que, même pour les matériaux qui ont été moins bien caractérisés en laboratoire, « nous sommes toujours en mesure d'exécuter cela sans une surcharge informatique énorme. » Et, Kurchin dit, l'utilisation des outils informatiques pour cribler les matériaux possibles sera de plus en plus utile car « l'équipement de laboratoire est devenu plus cher, et les ordinateurs sont devenus moins chers. Cette méthode vous permet de minimiser votre utilisation d'équipements de laboratoire compliqués."
La méthodologie de base, Buonassisi dit, pourrait être appliqué à une grande variété d'évaluations de matériaux différents, pas seulement des cellules solaires - en fait, elle peut s'appliquer à tout système qui implique un modèle informatique pour la sortie d'une mesure expérimentale. "Par exemple, cette approche excelle à déterminer quelle propriété de matériau ou d'interface pourrait limiter les performances, même pour les piles complexes de matériaux comme les batteries, appareils thermoélectriques, ou composites utilisés dans les chaussures de tennis ou les ailes d'avion. il ajoute, « Il est particulièrement utile pour la recherche à un stade précoce, où beaucoup de choses peuvent mal se passer à la fois."
Aller de l'avant, il dit, « notre vision est de lier cette méthode de caractérisation rapide aux méthodes de synthèse de matériaux et de dispositifs plus rapides que nous avons développées dans notre laboratoire. » Finalement, il dit, "J'ai bon espoir que la combinaison de l'informatique à haut débit, automatisation, et l'apprentissage automatique nous aidera à accélérer le développement de nouveaux matériaux de plus d'un facteur cinq. Cela pourrait être transformateur, ramenant les délais des nouvelles découvertes en science des matériaux de 20 ans à environ trois à cinq ans. »
