Publicación:

Optimización de celdas solares basadas en perovskita: Desempeño comparativo de FAPbI₃ y MASnI₃ empleando técnicas de aprendizaje de máquinas

Resumen en español

La transición global hacia fuentes de energía renovables exige soluciones fotovoltaicas que combinen alta eficiencia, bajo costo de fabricación y mínimo impacto ambiental. En este contexto, las celdas solares, y en especial las celdas solares de perovskita destacan por su rápido avance en la última década, debido a que estas han alcanzado eficiencias cercanas a las de las obtenidas con celdas de silicio. Además, gracias a su composición cristalina en la que tres elementos distintos se organizan de manera precisa, lo que permite modular con gran exactitud sus propiedades ópticas y eléctricas. Sin embargo, persisten desafíos críticos relacionados con la toxicidad del plomo en perovskitas tales como en la FAPbI₃ y la inestabilidad química de alternativas libres de plomo como MASnI₃, cuya tendencia a oxidarse limita su desempeño. Esta tesis presenta una metodología integral para optimizar celdas solares de perovskita tanto con FAPbI₃ (con plomo) como con MASnI₃ (sin plomo), combinando simulaciones numéricas avanzadas en SCAPS-1D y técnicas de aprendizaje de máquinas, específicamente aplicando el modelo Random Forest. Primero, se modelaron las celdas con arquitectura n-i-p, definiendo parámetros detallados de espesor, energía de banda prohibida, afinidad electrónica y densidades de defectos para cada capa. Empleando SCAPS-1D se generaron 1.000 configuraciones por cada tipo de perovskita, variando los espesores de ETL, capa activa y HTL para obtener las curvas J–V y calcular los indicadores eléctricos clave tales como eficiencia de conversión de potencia (PCE) y factor de llenado (FF). A continuación, se desarrollaron dos modelos de Random Forest, el primero para predecir el FF y el segundo para estimar la PCE en función de los espesores. La validación cruzada y la búsqueda en malla de hiperparámetros garantizaron un ajuste óptimo. El modelo demostró alta precisión tanto de FF como de PCE, con errores relativos menores al 2 % en la mayoría de las configuraciones. Además, se creó una calculadora interactiva en Python que, mediante los modelos entrenados, permite estimar instantáneamente FF y PCE para cualquier combinación de espesores dentro del rango estudiado, evitando simulaciones repetitivas. Mediante optimización multiobjetivo se construyó el frente de Pareto, identificando las configuraciones que maximizan simultáneamente PCE y FF sin sacrificar uno por el otro. Los resultados evidencian que las celdas con FAPbI₃ alcanzan eficiencias superiores (hasta ≈26 %) y FF elevados (≈83 %), mientras que las basadas en MASnI₃, aunque ligeramente menores en desempeño (PCE ≈25 %, FF ≈82 %), constituyen una alternativa más sostenible al eliminar el plomo. La comparación con datos experimentales y simulados publicados en la literatura confirma la capacidad del modelo para generalizar y predecir con precisión entornos reales. De esta manera, los hallazgos hallados en este trabajo de grado promueven el desarrollo de dispositivos fotovoltaicos más eficientes y amigables con el medio ambiente, sentando bases sólidas para futuras investigaciones en perovskitas libres de plomo y en estrategias de optimización híbrida.