Vía Science Daily
Las perovskitas son una familia de materiales que actualmente son los principales candidatos a sustituir a la actual energía solar fotovoltaica basada en el silicio. Ofrecen la promesa de paneles mucho más finos y ligeros, que podrían fabricarse con un rendimiento ultra alto a temperatura ambiente en lugar de a cientos de grados, y que son más baratos y fáciles de transportar e instalar. Pero llevar estos materiales desde los experimentos controlados en el laboratorio hasta un producto que pueda fabricarse de forma competitiva ha sido una larga lucha
La perovskita
La fabricación de células solares basadas en la perovskita implica la optimización de al menos una docena de variables a la vez, incluso dentro de un enfoque de fabricación concreto entre muchas posibilidades.
Pero un nuevo sistema basado en un novedoso enfoque de aprendizaje automático (Machine Learning) podría acelerar el desarrollo de métodos de producción optimizados y ayudar a hacer realidad la próxima generación de energía solar.
El sistema, desarrollado por investigadores del MIT y la Universidad de Stanford en los últimos años, permite integrar en el proceso de aprendizaje automático datos de experimentos anteriores e información basada en observaciones personales de trabajadores experimentados.
Esto hace que los resultados sean más precisos y ya ha permitido fabricar células de perovskita con una eficiencia de conversión energética del 18,5%, un nivel competitivo para el mercado actual.
La investigación se publica en la revista Joule, en un artículo elaborado por el profesor de ingeniería mecánica del MIT Tonio Buonassisi, el profesor de ciencia e ingeniería de materiales de Stanford Reinhold Dauskardt, el reciente asistente de investigación del MIT Zhe Liu, el doctorado de Stanford Nicholas Rolston y otras tres personas.
Las perovskitas son un grupo de compuestos cristalinos en capas que se definen por la configuración de los átomos en su red cristalina.
El reto de la producción a gran escala
Hay miles de compuestos posibles y muchas formas diferentes de fabricarlos. Aunque la mayor parte del desarrollo de materiales de perovskita a escala de laboratorio utiliza una técnica de recubrimiento por rotación, ésta no es práctica para la fabricación a gran escala, por lo que empresas y laboratorios de todo el mundo han estado buscando formas de convertir estos materiales de laboratorio en un producto práctico y fabricable.
Siempre hay un gran reto cuando se trata de tomar un proceso a escala de laboratorio y luego transferirlo a algo como una línea de producción o de inicio», dice Rolston, que ahora es profesor asistente en la Universidad Estatal de Arizona.
El equipo estudió un proceso que, en su opinión, tenía el mayor potencial, un método llamado procesamiento rápido de plasma por pulverización, o RSPP.
El proceso de fabricación consistiría en una superficie móvil de rollo a rollo, o una serie de láminas, sobre las que se rociarían las soluciones precursoras del compuesto de perovskita o se inyectarían tintas a medida que la lámina pasara. A continuación, el material pasaría a una fase de curado, lo que proporcionaría una producción rápida y continua «con rendimientos superiores a los de cualquier otra tecnología fotovoltaica», afirma Rolston.
«El verdadero avance de esta plataforma es que nos permitiría escalar de una manera que ningún otro material nos ha permitido», añade. «Incluso materiales como el silicio requieren un plazo mucho más largo debido al procesamiento que se realiza.
Mientras que se puede pensar en [este enfoque como] una pintura en spray».
El uso de inteligencia artificial
Dentro de ese proceso, al menos una docena de variables pueden afectar al resultado, algunas de ellas más controlables que otras. Entre ellas están la composición de los materiales de partida, la temperatura, la humedad, la velocidad de la ruta de procesamiento, la distancia de la boquilla utilizada para rociar el material sobre un sustrato y los métodos de curado del material. Muchos de estos factores pueden interactuar entre sí, y si el proceso es al aire libre, la humedad, por ejemplo, puede no estar controlada.
Evaluar todas las combinaciones posibles de estas variables mediante la experimentación es imposible, por lo que se necesitaba el aprendizaje automático para ayudar a guiar el proceso experimental.
Pero aunque la mayoría de los sistemas de aprendizaje automático utilizan datos brutos, como las mediciones de las propiedades eléctricas y de otro tipo de las muestras de prueba, no suelen incorporar la experiencia humana, como las observaciones cualitativas realizadas por los experimentadores sobre las propiedades visuales y de otro tipo de las muestras de prueba, o la información de otros experimentos comunicados por otros investigadores.
Así que el equipo encontró una forma de incorporar esa información externa al modelo de aprendizaje automático, utilizando un factor de probabilidad basado en una técnica matemática llamada optimización bayesiana.
Con el sistema, dice, «al tener un modelo que proviene de datos experimentales, podemos descubrir tendencias que antes no éramos capaces de ver». Por ejemplo, al principio tuvieron problemas para ajustar las variaciones incontroladas de humedad en su entorno. Pero el modelo les mostró «que podíamos superar nuestros problemas de humedad cambiando la temperatura, por ejemplo, y modificando algunos de los otros mandos».
Mayor rapidez en las orientaciones
El sistema permite ahora a los experimentadores orientar mucho más rápidamente su proceso con el fin de optimizarlo para un determinado conjunto de condiciones o resultados requeridos.
En sus experimentos, el equipo se centró en optimizar la producción de energía, pero el sistema también podría utilizarse para incorporar simultáneamente otros criterios, como el coste y la durabilidad, algo en lo que los miembros del equipo siguen trabajando, dice Buonassisi.
El concurso de las empresas
El Departamento de Energía, que patrocinó el trabajo, animó a los investigadores a comercializar la tecnología, y actualmente se están centrando en la transferencia de tecnología a los fabricantes de perovskita existentes.
«Ahora nos dirigimos a las empresas», dice Buonassisi, y el código que desarrollaron se ha puesto a disposición del público a través de un servidor de código abierto. «Ahora está en GitHub, cualquiera puede descargarlo, cualquiera puede ejecutarlo», dice. «Estamos encantados de ayudar a las empresas a empezar a utilizar nuestro código».
Ya hay varias empresas que se están preparando para producir paneles solares basados en la perovskita, aunque todavía están resolviendo los detalles de cómo producirlos, dice Liu, que ahora está en la Universidad Politécnica del Noroeste en Xi’an, China.
Afirma que las empresas de ese país aún no fabrican a gran escala, sino que empiezan con aplicaciones más pequeñas y de mayor valor, como las tejas solares integradas en edificios, donde la apariencia es importante. Tres de estas empresas «están en vías de fabricar módulos rectangulares de 1 metro por 2 metros [comparables a los paneles solares más comunes de hoy en día], en un plazo de dos años, o están siendo presionadas por los inversores», afirma.
«El problema es que no tienen un consenso sobre qué tecnología de fabricación utilizar», dice Liu. El método RSPP, desarrollado en Stanford, «todavía tiene muchas posibilidades» de ser competitivo, afirma.
Y el sistema de aprendizaje automático desarrollado por el equipo podría ser importante para guiar la optimización de cualquier proceso que se acabe utilizando.
«El objetivo principal era acelerar el proceso, de modo que se necesitara menos tiempo, menos experimentos y menos horas de trabajo humano para desarrollar algo que se pudiera utilizar de inmediato, de forma gratuita, para la industria», afirma.
En el equipo también participaron Austin Flick y Thomas Colburn, de Stanford, y Zekun Ren, de la Alianza Singapur-MIT para la Ciencia y la Tecnología (SMART). Además del Departamento de Energía, el trabajo fue apoyado por una beca de la Iniciativa de Energía del MIT, el Programa de Becas de Investigación para Graduados de la Fundación Nacional de Ciencias y el programa SMART.