Simulation and Characterization of Energetic Disorder and Recombination in Organic Solar Cells
Organic solar cells are constantly improving towards the milestone of 20% powerconversion efficiency. In the search for more and more efficient and stable material systems, some characterization techniques for reporting the newly processed solar cells have been established. Asides from classic current-voltage and external quantum efficiency measurements, light-intensity dependent measurements of the short-circuit current density and quantification of the energetic disorder are frequently used to characterize recombination in organic solar cells. In this thesis, I deliver deeper theoretical understanding on these measurement techniques with the help of device simulations and measurements on the eco-friendly material system PBDB-TF-T1:BTP-4F-12.
Firstly, I discuss how taking into account the spatial dependences inside the solar cell is essential in analyzing the light-intensity dependence of the short-circuit current density. Numerical drift-diffusion simulations reveal that both trap-assisted recombination and direct recombination feature a linear dependence between the short-circuit current density and the irradiance over a wide range of light intensities. Non-intuitively, the filling of shallow defect states and space-charge effects caused by charged defect states can result in sublinearity. Therefore, the traditional evaluation of this measurement technique has to be adapted accordingly.
Secondly, I focus on the characterization of these shallow defect states that often originate in energetic disorder, which is especially important for such structurally disordered systems as organic solar cells. Both a meta-analysis of literature data as well as and the experiments show that different techniques of characterizing this energetic disorder yield different results. With the help of simulations, I show that measurements based on electrical scanning of the density of states potentially probe different energy regimes compared to optical techniques. Further discrepancies are caused by the higher sensitivity of electrical measurements to transport issues.
After discussing these specific characterization techniques that focus on classifying the dominant recombination mechanisms or identifying one single material parameter, I propose an alternative method for estimating multiple material parameters at once by fitting experimental data. To speed up computation, I utilize a neural network as a surrogate model for the numerical simulation software. The application of the fitting routine highlights the importance of a sensible choice of fitting parameters. This work thereby sets an example, how machine learning can facilitate highly dimensional fitting processes and the exploration of the entire parameter space.
Organische Solarzellen verbessern sich stetig hin zum Meilenstein von 20% Effizienz. Auf der Suche nach immer effizienteren und stabileren Materialsystemen haben sich einige Charakterisierungsmethoden etabliert, mit denen neuprozessierte Solarzellen vorgestellt werden. Neben klassischen Strom-Spannungs- und externen Quanteneffizienzmessungen werden beleuchtungsabhängige Messungen der Kurzschlussstromdichte und Quantifizierung der energetischen Unordnung häufig verwendet, um Rekombination in organischen Solarzellen zu charakterisieren. In dieser Arbeit liefere ich tieferes, theoretisches Verständnis dieser Messtechniken mit der Hilfe von Simulationen und Messungen an dem umweltfreundlichen Materialsystem PBDB-TF-T1:BTP-4F-12.
Als Erstes diskutiere ich, wie das Berücksichtigen von Ortsabhängigkeiten essenziell ist zur Analyse der Beleuchtungsabhängigkeit der Kurzschlussstromdichte. Numerische Drift-Diffusions-Simulationen zeigen, dass sowohl Rekombination über einen Defekt als auch direkte Rekombination eine lineare Abhängigkeit zwischen der Kurzschlussstromdichte und der Beleuchtungsstärke über eine weite Spanne an Lichtintensitäten aufweisen. Stattdessen können das Füllen von flachen Defektzuständen und Raumladungseffekte durch geladene Defekte Sublinearität hervorrufen. Daher muss die traditionelle Interpretation dieser Messtechnik dementsprechend angepasst werden.
Als Zweites untersuche ich die Charakterisierung dieser flachen Defektzuständen, die häufig ihren Ursprung in energetischer Unordnung haben, welche besonders relevant ist für organische Solarzellen aufgrund ihrer strukturellen Unordnung. Sowohl die Metaanalyse der Literatur als auch meine Experimente zeigen, dass unterschiedliche Techniken der Charakterisierung dieser Unordnung unterschiedliche Ergebnisse liefern. Durch Simulationen zeige ich, dass elektrische Verfahren potenziell in einem anderen Energieregime messen als optischen Messtechniken. Die höhere Anfälligkeit von elektrischen Messungen gegenüber Transportproblemen verursacht weitere Diskrepanzen.
Nach dieser Diskussion der Klassifizierung des dominanten Rekombinationsmechanismus und der Identifizierung eines einzelnen Materialparameters stelle ich eine alternative Methode vor, um mehrere Materialparameter durch Fitten von experimentellen Daten auf einmal abzuschätzen. Um die Berechnung zu beschleunigen, nutze ich ein neuronales Netzwerk als Behelfsmodell anstelle der numerischen Simulationssoftware. Die Anwendung der Fitroutine zeigt, wie wichtig eine sinnvolle Auswahl der Fitparameter ist. Dadurch setzt diese Arbeit ein Beispiel, wie maschinelles Lernen hochdimensionales Fitten und die Erkundung des gesamten Parameterraums ermöglichen kann.
Preview
Cite
Rights
Use and reproduction:
This work may be used under a
Creative Commons Attribution 4.0 License (CC BY 4.0)
.