Home Notizie recenti Gli ingegneri arruolano l’IA per aumentare la produzione avanzata di celle solari

Gli ingegneri arruolano l’IA per aumentare la produzione avanzata di celle solari

213
0

La produzione ottimizzata di celle solari in perovskite potrebbe essere accelerata grazie a un nuovo sistema di apprendimento automatico. Crediti: Foto della cella solare di Nicholas Rolston, Stanford, e curata da MIT News. Illustrazione perovskite di Christine Daniloff, MIT.

Le perovskiti sono una famiglia di materiali che sono attualmente il principale contendente per sostituire potenzialmente il solare fotovoltaico a base di silicio di oggi. Mantengono la promessa di pannelli che sono molto più sottili e leggeri, che potrebbero essere realizzati con un rendimento ultra elevato a temperatura ambiente anziché a centinaia di gradi, e che sono più economici e più facili da trasportare e installare. Ma portare questi materiali da esperimenti di laboratorio controllati in un prodotto che può essere fabbricato in modo competitivo è stata una lunga lotta.

La produzione di celle solari a base di perovskite implica l’ottimizzazione di almeno una dozzina di variabili contemporaneamente, anche all’interno di un particolare approccio di produzione tra molte possibilità. Ma un nuovo sistema basato su un nuovo approccio all’apprendimento automatico potrebbe accelerare lo sviluppo di metodi di produzione ottimizzati e contribuire a trasformare in realtà la prossima generazione di energia solare.

Il sistema, sviluppato dai ricercatori del MIT e della Stanford University negli ultimi anni, consente di integrare i dati di esperimenti precedenti e le informazioni basate su osservazioni personali di lavoratori esperti, nel processo di apprendimento automatico. Ciò rende i risultati più accurati e ha già portato alla produzione di celle di perovskite con un’efficienza di conversione energetica del 18,5%, un livello competitivo per il mercato odierno.

La ricerca è riportata oggi sulla rivista Joulein un articolo del professore di ingegneria meccanica del MIT Tonio Buonassisi, del professore di scienza e ingegneria dei materiali di Stanford Reinhold Dauskardt, del recente assistente di ricerca del MIT Zhe Liu, del dottorando di Stanford Nicholas Rolston e di altri tre.

Le perovskiti sono un gruppo di composti cristallini stratificati definiti dalla configurazione degli atomi nel loro reticolo cristallino. Esistono migliaia di tali composti possibili e molti modi diversi per produrli. Sebbene la maggior parte dello sviluppo su scala di laboratorio di materiali perovskite utilizzi una tecnica di rivestimento a rotazione, non è pratica per la produzione su larga scala, quindi aziende e laboratori di tutto il mondo hanno cercato modi per tradurre questi materiali di laboratorio in un prodotto pratico e realizzabile.

“C’è sempre una grande sfida quando si tenta di prendere un processo su scala di laboratorio e poi trasferirlo a qualcosa come una startup o una linea di produzione”, afferma Rolston, che ora è assistente professore all’Arizona State University. Il team ha esaminato un processo che riteneva avesse il potenziale maggiore, un metodo chiamato elaborazione rapida del plasma spray o RSPP.

Il processo di produzione comporterebbe una superficie mobile roll-to-roll, o una serie di fogli, su cui verrebbero spruzzate o spruzzate a getto d’inchiostro le soluzioni precursori per il composto di perovskite mentre il foglio veniva fatto rotolare. Il materiale passerebbe quindi a una fase di indurimento, fornendo una produzione rapida e continua “con una produttività superiore a quella di qualsiasi altra tecnologia fotovoltaica”, afferma Rolston.

“La vera svolta con questa piattaforma è che ci consentirebbe di scalare in un modo che nessun altro materiale ci ha permesso di fare”, aggiunge. “Anche materiali come il silicio richiedono un lasso di tempo molto più lungo a causa dell’elaborazione che viene eseguita. Mentre puoi pensare a [this approach as more] come la verniciatura a spruzzo.”

All’interno di tale processo, almeno una dozzina di variabili possono influenzare il risultato, alcune delle quali più controllabili di altre. Questi includono la composizione dei materiali di partenza, la temperatura, l’umidità, la velocità del percorso di lavorazione, la distanza dell’ugello utilizzato per spruzzare il materiale su un substrato e i metodi di indurimento del materiale. Molti di questi fattori possono interagire tra loro e, se il processo è all’aria aperta, l’umidità, ad esempio, potrebbe essere incontrollata. Valutare tutte le possibili combinazioni di queste variabili attraverso la sperimentazione è impossibile, quindi l’apprendimento automatico era necessario per guidare il processo sperimentale.

Ma mentre la maggior parte dei sistemi di apprendimento automatico utilizza dati grezzi come le misurazioni delle proprietà elettriche e di altro tipo dei campioni di prova, in genere non incorporano l’esperienza umana come le osservazioni qualitative fatte dagli sperimentatori delle proprietà visive e di altro tipo dei campioni di prova o informazioni provenienti da altri esperimenti riportati da altri ricercatori. Quindi, il team ha trovato un modo per incorporare tali informazioni esterne nel modello di apprendimento automatico, utilizzando un fattore di probabilità basato su una tecnica matematica chiamata Ottimizzazione bayesiana.

Usando il sistema, dice, “avendo un modello che proviene da dati sperimentali, possiamo scoprire tendenze che prima non eravamo in grado di vedere”. Ad esempio, inizialmente hanno avuto difficoltà a adattarsi alle variazioni incontrollate dell’umidità nell’ambiente. Ma il modello ha mostrato loro “che potremmo superare i nostri problemi di umidità cambiando la temperatura, ad esempio, e cambiando alcune delle altre manopole”.

Il sistema ora consente agli sperimentatori di guidare molto più rapidamente il loro processo al fine di ottimizzarlo per un determinato insieme di condizioni o risultati richiesti. Nei loro esperimenti, il team si è concentrato sull’ottimizzazione della potenza, ma il sistema potrebbe anche essere utilizzato per incorporare contemporaneamente altri criteri, come il costo e la durata, qualcosa su cui i membri del team stanno continuando a lavorare, afferma Buonassisi.

I ricercatori sono stati incoraggiati dal Dipartimento dell’Energia, che ha sponsorizzato il lavoro, a commercializzare la tecnologia e attualmente si stanno concentrando sul trasferimento di tecnologia ai produttori di perovskite esistenti. “Stiamo contattando le aziende ora”, afferma Buonassisi, e il codice che hanno sviluppato è stato reso disponibile gratuitamente tramite un server open source. “Ora è su GitHub, chiunque può scaricarlo, chiunque può eseguirlo”, afferma. “Siamo felici di aiutare le aziende a iniziare a utilizzare il nostro codice.”

Diverse aziende si stanno già attrezzando per produrre pannelli solari a base di perovskite, anche se stanno ancora elaborando i dettagli su come produrli, afferma Liu, che ora è alla Northwestern Polytechnical University di Xi’an, in Cina. Dice che le aziende non stanno ancora realizzando una produzione su larga scala, ma iniziano invece con applicazioni più piccole e di alto valore come le piastrelle solari integrate negli edifici, dove l’aspetto è importante. Tre di queste società “sono sulla buona strada o sono spinte dagli investitori a produrre moduli rettangolari di 1 metro per 2 metri [comparable to today’s most common solar panels]entro due anni”, dice.

“Il problema è che non hanno un consenso su quale tecnologia di produzione utilizzare”, dice Liu. Il metodo RSPP, sviluppato a Stanford, “ha ancora buone possibilità” di essere competitivo, dice. E il sistema di apprendimento automatico il team sviluppato potrebbe rivelarsi importante nel guidare l’ottimizzazione di qualsiasi processo venga utilizzato.

“L’obiettivo principale era accelerare il processo, quindi sono stati necessari meno tempo, meno esperimenti e meno ore umane per sviluppare qualcosa che fosse immediatamente utilizzabile, gratuitamente, per l’industria”, afferma.

“Il lavoro esistente sulla fabbricazione fotovoltaica di perovskite guidata dall’apprendimento automatico si concentra in gran parte sullo spin-coating, una tecnica su scala di laboratorio”, afferma Ted Sargent, professore universitario presso l’Università di Toronto, che non è stato associato a questo lavoro, che secondo lui dimostra “un flusso di lavoro che si adatta prontamente alle tecniche di deposizione che dominano l’industria del film sottile. Solo una manciata di gruppi ha l’esperienza simultanea in ingegneria e calcolo per guidare tali progressi”. Sargent aggiunge che questo approccio “potrebbe essere un entusiasmante progresso per la produzione di una più ampia famiglia di materiali”, inclusi LED, altre tecnologie fotovoltaiche e grafene, “in breve, qualsiasi industria che utilizzi una qualche forma di deposizione di vapore o sottovuoto”.


Articolo precedenteLe azioni Delta volano mentre la forte domanda compensa la resistenza del carburante degli aerei
Articolo successivoCome competere con i robot