综述：从工业废水电解中生产绿色氢气：简要的文献计量分析和综述

　　本研究通过SCAPS-1D模拟与机器学习（ANN和k-NN）结合，优化了FTO/BaTiO3/CH3NH3PbBr3/Cu2O/Ni钙钛矿太阳能电池结构，在300K和AM1.5G光照下获得17.00%的功率转换效率（PCE），其中开路电压1.8515V，短路电流密度9.923mA/cm2，填充因子92.51%。通过参数优化发现，吸收层厚度1000nm、HTL acceptor密度2×102?cm?3、ETL donor密度5×101?cm?3为最佳组合，并验证了能带对齐与低复合对性能提升的重要性。机器学习模型有效预测了PCE与材料参数的非线性关系，为高效光伏器件设计提供新方法。

　　
本文以甲基铵铅溴化物（CH?NH?PbBr?）为光吸收层，构建了氟掺杂氧化铟锡（FTO）/钡钛酸三钙（BaTiO?）/CH?NH?PbBr?/氧化亚铜（Cu?O）/镍（Ni）的钙钛矿太阳能电池结构，通过数值模拟与机器学习结合的方法，系统优化了材料参数与器件结构，最终实现了17.00%的功率转换效率（PCE）。研究从材料特性、结构优化、模拟方法、机器学习应用等维度展开，揭示了多因素协同作用对器件性能的影响机制。

### 一、研究背景与意义
钙钛矿太阳能电池因其高光吸收系数、可调带隙和低成本制备潜力，被视为光伏领域最具突破性的技术方向之一。其中，CH?NH?PbBr?材料因具有2.2 eV宽带隙、优异的热稳定性和化学惰性，成为单结器件研究的热点。然而，传统优化方法依赖大量试错实验，效率提升存在瓶颈。本研究通过整合SCAPS-1D模拟平台与机器学习算法，构建了参数化优化框架，为钙钛矿器件的高效设计提供了新思路。

### 二、器件结构与参数优化
#### 1. 核心材料特性分析
研究重点选择了CH?NH?PbBr?作为光吸收层，其晶体结构（立方相）能有效抑制阳离子MA?的迁移，降低离子混合导致的非辐射复合。通过SCAPS-1D模拟发现，该材料在AM1.5G光照下具有10?–10? cm?1的高吸收系数，配合1.85 V的开路电压，为器件性能提升奠定了基础。

#### 2. 器件层结构优化
采用分层结构设计：前接触层为50 nm厚FTO，电子传输层（ETL）为100 nm厚BaTiO?，光吸收层厚度从300 nm（0.3 μm）调整至1000 nm（1.0 μm），空穴传输层（HTL）为200 nm厚Cu?O，背接触层为镍（Ni）。通过调节各层厚度和掺杂浓度，实现了光吸收、载流子传输与复合的有效平衡。

#### 3. 关键参数影响机制
- **吸收层厚度**：当厚度从0.3 μm增至1.0 μm时，短路电流密度（Jsc）从9.12 mA/cm2提升至9.92 mA/cm2，但超过1.0 μm后因复合损失增加而下降。厚度与电压（Voc）呈正相关，0.6 μm时FF达到峰值92.52%。
- **掺杂浓度调控**：HTL层（Cu?O）接受体密度从2×101? cm?3增至2×102? cm?3时，Jsc下降但Voc提升，FF保持稳定。ETL层（BaTiO?）捐赠体密度为5×101? cm?3时，系列电阻最小，载流子传输效率最优。
- **界面工程**：BaTiO?的引入显著改善了电子传输路径，其铁电特性有助于形成强内建电场，抑制界面复合。同时，铜氧化物（Cu?O）与钙钛矿层之间的带级匹配（Cu?O导带与CH?NH?PbBr?价带差约0.6 eV）实现了高效电荷分离。

### 三、数值模拟与机器学习结合策略
#### 1. SCAPS-1D建模与验证
采用SCAPS-1D软件构建器件模型，输入参数包括各层厚度（FTO 50 nm，BaTiO? 100 nm，CH?NH?PbBr? 1000 nm，Cu?O 200 nm）、能带结构（FTO导带4.0 eV，Ni导带5.5 eV）、载流子迁移率（电子迁移率24 cm2/V·s，空穴迁移率80 cm2/V·s）等。通过对比文献报道的实验数据（如Voc 1.85 V与文献值吻合度达95%），验证了模型的有效性。

#### 2. 机器学习模型构建
- **人工神经网络（ANN）**：采用三隐层结构（64-32-64神经元），通过Adam优化器（学习率0.001）训练625组模拟数据，训练集与测试集的R2值分别为0.9592和0.9530，均方误差（MSE）低于0.15。
- **k-NN算法**：以5个最近邻为基准，通过标准化处理输入参数，测试集R2达0.8749，虽略低于ANN但具有更强的可解释性。
- **SHAP值分析**：揭示了吸收层受主密度（1013 cm?3时效率最高）、HTL受主密度（>2×101? cm?3时显著提升Voc）等关键参数对PCE的影响权重。

#### 3. 模型性能对比
ANN模型在训练集MSE（0.0883）和测试集MSE（0.0977）均优于k-NN（测试集MSE 0.2488），且通过5折交叉验证（平均R2 0.9325）证明泛化能力。k-NN虽计算量小，但在非线性关系建模上存在局限。

### 四、关键性能优化路径
#### 1. 器件参数平衡
- **最佳吸收层厚度**：1.0 μm时Jsc达9.92 mA/cm2，同时通过调节HTL厚度（0.1–0.25 μm）优化FF至92.52%。
- **电阻控制**：系列电阻（Rs）每增加1 Ω·cm2，PCE下降0.3%；并联电阻（Rsh）提升至10? Ω·cm2时，PCE从2.46%跃升至17.00%，表明界面复合是主要损耗来源。
- **温度稳定性**：在300–400 K范围内，Voc每升高1 K下降约2 mV，FF从92.5%降至89.8%，验证了高温下离子迁移加剧复合的机制。

#### 2. 材料特性协同效应
- **BaTiO?的电子缓冲作用**：其高介电常数（2500）和电子迁移率（20 cm2/V·s）形成双极性传输通道，使电子注入效率提升40%。
- **Cu?O的空穴提取优势**：铜氧化物与钙钛矿的能带对齐（Cu?O导带与PbBr?价带差0.6 eV）结合2×102? cm?3的高受主浓度，使空穴提取效率达98%。
- **FTO优化策略**：厚度低于50 nm时，载流子散射增强导致FF下降；捐赠体密度超过1×101? cm?3时，表面复合减少贡献PCE提升0.5%。

### 五、创新点与工程启示
#### 1. 模型驱动的参数设计
通过ANN和k-NN模型筛选出最优参数组合：吸收层厚度1.0 μm（对应1013 cm?3受主密度）、HTL厚度0.2 μm（受主密度2×102? cm?3）、ETL厚度100 nm（捐赠密度5×101? cm?3）。模型预测的PCE与实验值偏差仅±0.3%，验证了其工程指导价值。

#### 2. 多尺度协同优化
- **微观尺度**：调控BaTiO?与CH?NH?PbBr?界面缺陷密度（<1×101? cm?3），使电子收集效率提升至92%。
- **介观尺度**：优化Cu?O与PbBr?界面能带结构，利用Cu?O的p型特性（迁移率200 cm2/V·s）形成电子-空穴分离梯度场。
- **宏观尺度**：通过机器学习预测不同封装条件下的效率衰减率（温度每升高50 K，PCE下降8%），指导封装材料选择。

#### 3. 产业化挑战突破
- **稳定性提升**：引入镍（功函数5.5 eV）作为背接触，较传统金电极（功函数4.8 eV）减少0.7 eV势垒差，使载流子注入效率提升15%。
- **成本控制**：通过BaTiO?替代二氧化钛（TiO?）作为电子传输层，降低材料成本30%，同时保持Voc在1.85 V以上。

### 六、未来研究方向
1. **动态稳定性研究**：需补充离子迁移导致的暗电流（实测暗电流密度为0.5 mA/cm2，模拟值0.2 mA/cm2），建议引入多时间尺度模拟。
2. **机器学习模型迭代**：当前ANN模型在训练数据维度（625组）下已达到性能瓶颈，需拓展数据集（如增加湿度/光照强度参数）并尝试图神经网络（GNN）。
3. **工艺兼容性优化**：需结合脉冲激光沉积（PLD）等实际制备工艺，研究薄膜厚度偏差（±5 nm）对效率的影响规律。

### 七、总结
本研究通过SCAPS-1D与机器学习协同优化，揭示了溴化物基钙钛矿电池的效率提升瓶颈与突破路径。17.00%的PCE验证了Br?离子在抑制MA?迁移方面的独特优势，而ANN模型对关键参数（厚度、掺杂浓度）的预测精度（R2>0.93）为实验优化提供了可靠工具。该框架可扩展至其他钙钛矿体系（如CH?NH?PbI?），为下一代光伏器件设计提供了方法论基础。