تعیین وابستگی بازدهی تبدیل توان سلول خورشیدی به پارامترهای ساخت در انواع پروسکایت های غیرآلی با استفاده از بیان ژن برنامه‌نویسی

این مقاله تلاشی است برای بررسی سلول‌های خورشیدی پروسکایت غیرآلی و ارائه یک مدل پیش‌بینی‌کننده جدید برای تخمین بازدهی تبدیل توان (‏pce) ‏با استفاده از برنامه‌نویسی بیان ژن (‏gep)‏. تمام مراجع از روش پوشش دهی چرخشی برای ساخت سلول‌های خورشیدی استفاده کردند. برای لایه پروسکایت، پارامترهای ضخامت، شکاف نواری و درصد جرمی عناصر تکراری لایه‌های پروسکایت به عنوان متغیرهای ورودی و pce به عنوان متغیر خروجی در نظر گرفته شدند. . در مرحله اول، 29 آزمایش از مقالات معتبر استخراج شدند. به عنوان اولین گام برای اطمینان از استحکام داده‌های انتخاب ‌شده، از نمودار جعبه-ای برای تعیین توزیع پارامترهای عملیاتی استفاده شد و داده‌های پرت (‏سه مجموعه داده)‏ حذف شدند. مجموعه داده‌های باقی مانده برای ساخت مدل‌ها با آموزش (‏19 مجموعه داده)‏ و آزمایش (‏7 مجموعه داده)‏ در gep استفاده شد. شاخص‌های آماری شامل کسر مطلق واریانس (‏r2)‏، ریشه میانگین مربعات خطا (‏rmse)‏، ریشه میانگین مربعات خطای نسبی (‏rrse)‏، میانگین مربعات خطا (‏mse) ‏و نمودار جعبه‌ای متغیرها برای ارزیابی دقت مدل‌های پیشنهادی مورد استفاده قرار گرفتند. در نهایت بهترین مدل با mse=0.0077،rrse=0.2995،rmse=0.0878،r2=0.9111 . انتخاب شد. نتایج نشان داد که gep می‌تواند به عنوان یک ابزار منحصر به فرد برای مدل‌سازی pce در سلول‌های خورشیدی پروسکایت با پارامترهای عملیاتی استفاده شود. دسته‌بندی اثر هر پارامتر بر pca قدرت بعدی این مطالعه بود که با استفاده از آنالیز حساسیت انجام شد و نشان داد که شکاف نواری، درصد جرمی سزیم (‏cs)‏، سرب (‏pb) ‏و ید (‏i)‏ به ترتیب تاثیرگذارترین پارامترها بر pce از سلول‌های خورشیدی پروسکایت غیرآلی بودند.

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

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.