SCAPS Empowered Machine Learning Modelling of Perovskite Solar Cells: Predictive Design of Active Layer and Hole Transport Materials
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle