SCAPS Empowered Machine Learning Modelling of Perovskite Solar Cells: Predictive Design of Active Layer and Hole Transport Materials
Notice bibliographique
Résumé
Recently, organic–inorganic perovskites have manifested great capacity to enhance the performance of photovoltaic systems, owing to their impressive optical and electronic properties. In this simulation survey, we employed the Solar Cell Capacitance Simulator (SCAPS-1D) to numerically analyze the effect of different hole transport layers (HTLs) (Spiro, CIS, and CsSnI3) and perovskite active layers (ALs) (FAPbI3, MAPbI3, and CsPbI3) on the solar cells’ performance with an assumed configuration of FTO/SnO2/AL/HTL/Au. The influence of layer thickness, doping density, and defect density was studied. Then, we trained a machine learning (ML) model to perform predictions on the performance metrics of the solar cells. According to the SCAPS results, CsSnI3 (as HTL) with a thickness of 220 nm, a defect density of 5 × 1017 cm−3, and a doping density of 5 × 1019 cm−3 yielded the highest power conversion efficiency (PCE) of 23.90%. In addition, a 530 nm-FAPbI3 AL with a bandgap energy of 1.51 eV and a defect density of 1014 cm−3 was more favorable than MAPbI3 (1.55 eV) and CsPbI3 (1.73 eV) to attain a PCE of >24%. ML predicted the performance matrices of the investigated solar cells with ~75% accuracy. Therefore, the FTO/SnO2/FAPbI3/CsSnI3/Au structure would be suitable for experimental studies to fabricate high-performance photovoltaic devices.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».