تعيين وابستگي بازدهي تبديل توان سلول خورشيدي به پارامترهاي ساخت در انواع پروسكايت هاي غيرآلي با استفاده از بيان ژن برنامه‌نويسي

Determining the dependence of solar cell power conversion efficiency on fabrication parameters in inorganic perovskite types by programming gene expression

اين مقاله تلاشي است براي بررسي سلول‌هاي خورشيدي پروسكايت غيرآلي و ارائه يك مدل پيش‌بيني‌كننده جديد براي تخمين بازدهي تبديل توان (‏PCE) ‏با استفاده از برنامه‌نويسي بيان ژن (‏GEP)‏. تمام مراجع از روش پوشش دهي چرخشي براي ساخت سلول‌هاي خورشيدي استفاده كردند. براي لايه پروسكايت، پارامترهاي ضخامت، شكاف نواري و درصد جرمي عناصر تكراري لايه‌هاي پروسكايت به عنوان متغيرهاي ورودي و PCE به عنوان متغير خروجي در نظر گرفته شدند. . در مرحله اول، ۲۹ آزمايش از مقالات معتبر استخراج شدند. به عنوان اولين گام براي اطمينان از استحكام داده‌هاي انتخاب ‌شده، از نمودار جعبه-اي براي تعيين توزيع پارامترهاي عملياتي استفاده شد و داده‌هاي پرت (‏سه مجموعه داده)‏ حذف شدند. مجموعه داده‌هاي باقي مانده براي ساخت مدل‌ها با آموزش (‏۱۹ مجموعه داده)‏ و آزمايش (‏۷ مجموعه داده)‏ در GEP استفاده شد. شاخص‌هاي آماري شامل كسر مطلق واريانس (‏R2)‏، ريشه ميانگين مربعات خطا (‏RMSE)‏، ريشه ميانگين مربعات خطاي نسبي (‏RRSE)‏، ميانگين مربعات خطا (‏MSE) ‏و نمودار جعبه‌اي متغيرها براي ارزيابي دقت مدل‌هاي پيشنهادي مورد استفاده قرار گرفتند. در نهايت بهترين مدل با MSE=۰.۰۰۷۷،RRSE=۰.۲۹۹۵،RMSE=۰.۰۸۷۸،R2=۰.۹۱۱۱ . انتخاب شد. نتايج نشان داد كه GEP مي‌تواند به عنوان يك ابزار منحصر به فرد براي مدل‌سازي PCE در سلول‌هاي خورشيدي پروسكايت با پارامترهاي عملياتي استفاده شود. دسته‌بندي اثر هر پارامتر بر PCA قدرت بعدي اين مطالعه بود كه با استفاده از آناليز حساسيت انجام شد و نشان داد كه شكاف نواري، درصد جرمي سزيم (‏Cs)‏، سرب (‏Pb) ‏و يد (‏I)‏ به ترتيب تاثيرگذارترين پارامترها بر PCE از سلول‌هاي خورشيدي پروسكايت غيرآلي بودند.

This article is an attempt to review inorganic perovskite solar cells and propose a new predictive model to estimate the power conversion efficiency (PCE) using gene expression programming (GEP). All references used the spin coating method to construct the solar cells. For the perovskite layer, parameters of thickness, bandgap, and mass percentage of repetitive elements of perovskite layers were considered as input variables, and the PCE was selected as the output variable. In the first stage, 29 experiments were extracted from reliable articles. As a first step to ensure the robustness of the selected data, the box plot was used to determine the distribution of operational parameters, and the outlier’s data (three data sets) were excluded. Remained data set used to construct models by training (19 data sets) and testing (7 data sets) in GEP. Statistical indices including the absolute fraction of variance (R2), root mean square error (RMSE), root relative squared error (RRSE), mean squared error (MSE), and box plot of variables were used to evaluate the accuracy of the proposed models. Finally, the best model was selected by R2 = 0.9111, RMSE= 0.0878, RRSE = 0.2995, and MSE = 0.0077. The results showed that GEP can be used as a unique tool for modeling PCE in perovskite solar cells with operational parameters. Sorting out the effect of each parameter on PCA was the next strength of this study, which was performed using sensitivity analysis and showed that bandgap, the mass percentage of cesium (Cs), lead (Pb) and iodine (I) were the most influencing parameters on the PCE from the inorganic perovskite solar cells, respectively.