Esta configuración experimental fue utilizada por el equipo para medir la producción eléctrica de una muestra de material de células solares, en condiciones controladas de temperatura e iluminación variables.
Los datos de esas pruebas se utilizaron luego como base para el modelado computarizado utilizando métodos estadísticos para predecir el rendimiento general del material en condiciones de operación del mundo real. El enfoque podría eludir los pasos que tanto tiempo se necesitan para probar nuevos materiales fotovoltaicos.
La búsqueda mundial por parte de los investigadores para encontrar materiales mejores y más eficientes para los paneles solares del mañana suele ser lenta y concienzuda. Los investigadores generalmente deben producir muestras de laboratorio, que a menudo se componen de múltiples capas de diferentes materiales unidos entre sí, para realizar pruebas exhaustivas.
Ahora, un equipo en el MIT y otras instituciones ha ideado una manera de eludir estas costosas y prolongadas fabricaciones y pruebas, lo que permite una detección rápida de muchas más variaciones de las que serían prácticas a través del enfoque tradicional.
El nuevo proceso no solo podría acelerar la búsqueda de nuevas formulaciones, sino también hacer un trabajo más preciso para predecir su desempeño, explica Rachel Kurchin, estudiante graduada del MIT y coautora de un artículo que describe el nuevo proceso que aparece esta semana en el diario Joule . Los métodos tradicionales “a menudo requieren que se haga una muestra especializada, pero eso difiere de una célula real y puede no ser completamente representativo” del rendimiento real de una célula solar, dice ella.
Por ejemplo, los métodos de prueba típicos muestran el comportamiento de los “portadores mayoritarios”, las partículas predominantes o las vacantes cuyo movimiento produce una corriente eléctrica a través de un material. Pero en el caso de los materiales fotovoltaicos (PV), explica Kurchin, en realidad son los portadores minoritarios, aquellos que son mucho menos abundantes en el material, los que son el factor limitante en la eficiencia general de un dispositivo, y esos son mucho más difíciles de medir. . Además, los procedimientos típicos solo miden el flujo de corriente en un conjunto de direcciones, dentro del plano de un material de película delgada, mientras que el flujo ascendente y descendente se aprovecha en realidad en una célula solar en funcionamiento. En muchos materiales, ese flujo puede ser “drásticamente diferente”, por lo que es fundamental comprenderlo para caracterizar adecuadamente el material, afirma.
“Históricamente, la tasa de desarrollo de nuevos materiales es lenta, típicamente de 10 a 25 años”, dice Tonio Buonassisi, profesor asociado de ingeniería mecánica en el MIT y autor principal del artículo. “Una de las cosas que hace que el proceso sea más lento es el largo tiempo que lleva solucionar los primeros prototipos de dispositivos”, dice. “Realizar la caracterización lleva tiempo, a veces semanas o meses, y las mediciones no siempre tienen la sensibilidad necesaria para determinar la causa raíz de cualquier problema”.
Por lo tanto, Buonassisi dice: “En resumidas cuentas, si queremos acelerar el ritmo del desarrollo de nuevos materiales, es imperativo que descubramos formas más rápidas y precisas de solucionar los problemas de nuestros materiales iniciales y prototipos de dispositivos”. Y eso es el equipo ahora lo ha logrado. Han desarrollado un conjunto de herramientas que se pueden utilizar para realizar evaluaciones rápidas y precisas de los materiales propuestos, utilizando una serie de pruebas de laboratorio relativamente simples combinadas con modelos informáticos de las propiedades físicas del material en sí, así como modelos adicionales basados en un método estadístico conocido como inferencia bayesiana.
El sistema consiste en hacer un dispositivo de prueba simple, luego medir su salida de corriente bajo diferentes niveles de iluminación y diferentes voltajes, para cuantificar exactamente cómo varía el rendimiento bajo estas condiciones cambiantes. Estos valores se usan luego para refinar el modelo estadístico.
“Después de adquirir muchas medidas de voltaje de corriente [de la muestra] a diferentes temperaturas e intensidades de iluminación, tenemos que descubrir qué combinación de materiales y variables de interfaz se ajustan mejor a nuestro conjunto de medidas”, explica Buonassisi. “Representar cada parámetro como una distribución de probabilidad nos permite dar cuenta de la incertidumbre experimental, y también nos permite saber qué parámetros están covainando”.
El proceso de inferencia bayesiano permite que las estimaciones de cada parámetro se actualicen en función de cada nueva medida, refinando gradualmente las estimaciones y la orientación cada vez más cerca de la respuesta precisa, afirma.
Al buscar una combinación de materiales para un tipo particular de aplicación, Kurchin dice, “ponemos todas estas propiedades de materiales y propiedades de interfaz, y le indicaremos cómo será el resultado”.
The system is simple enough that, even for materials that have been less well-characterized in the lab, “we’re still able to run this without tremendous computer overhead.” And, Kurchin says, making use of the computational tools to screen possible materials will be increasingly useful because “lab equipment has gotten more expensive, and computers have gotten cheaper. This method allows you to minimize your use of complicated lab equipment.”
La metodología básica, dice Buonassisi, podría aplicarse a una amplia variedad de evaluaciones de materiales diferentes, no solo a células solares; de hecho, puede aplicarse a cualquier sistema que involucre un modelo de computadora para el resultado de una medición experimental. “Por ejemplo, este enfoque se destaca al determinar qué material o propiedad de la interfaz podría estar limitando el rendimiento, incluso para pilas complejas de materiales como baterías, dispositivos termoeléctricos o materiales compuestos utilizados en zapatillas de tenis o alas de aviones”. Y agrega: ” es especialmente útil para las primeras etapas de la investigación, donde muchas cosas pueden estar saliendo mal a la vez “.
En el futuro, dice, “nuestra visión es vincular este rápido método de caracterización con los materiales más rápidos y los métodos de síntesis de dispositivos que hemos desarrollado en nuestro laboratorio”. En definitiva, dice: “Tengo mucha esperanza de que la combinación de altas la computación de rendimiento, la automatización y el aprendizaje automático nos ayudarán a acelerar el ritmo del desarrollo de nuevos materiales en más de un factor de cinco. Esto podría ser transformador, reduciendo los plazos para los nuevos descubrimientos de ciencia de materiales de 20 años a aproximadamente tres o cinco años “.
El equipo de investigación también incluyó a Riley Brandt ’11, SM ’13, PhD ’16; el ex postdoc Vera Steinmann; Daniil Kitchaev, estudiante graduado del MIT y el profesor visitante Gerbrand Ceder, Chris Roat en Google Inc .; y Sergiu Levcenco y Thomas Unold en Hemholz Zentrum en Berlín. El trabajo fue apoyado por un Google Faculty Research Award, el Departamento de Energía de EE. UU. Y una beca total de investigación a través de la Iniciativa MIT Energy.
Fuente: MIT