2019-05-01  –  2022-04-30

774.401,00 EUR

International Solar Energy Research Center Konstanz (ISC e. V.), Konstanz, Baden-Württemberg

03EE1001B

Kristallines Silizium Zellenentwicklung [EB1012]

01187535/1  –  NextTec - Identifikation, Evaluation und Selektion von Produktionstechnologien der nächsten Generation mit dem Potential für eine signifikante Steigerung der Durchsatzraten in der PV-Produktion

Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)

Forschungszentrum Jülich GmbH (PT-J.ESE1)

Energie

Im NextTec Projekt ist der ASt an drei technischen Arbeitspaketen (1, 2 und 5) beteiligt. Zusammen mit RCT Solutions werden Ergebnisse auf ihre Eignung für die Herstellung von IBC (Interdigited Back Contact, genannt ZEBRA) Solarzellen mithilfe einer Hochdurchsatzlinie beurteilt (UAP1.2). Dazu sollen alle relevanten Daten gesammelt werden, wie spezifische Verbräuche und Kosten der Verbrauchsmaterialien, des Weiteren soll eine Abschätzung des Equipment-CAPEX durchgeführt werden. In AP 2 (Zellproduktion Front-End – Nasschemie- und Beschichtungstechnologien) sollen im UAP 2.2 zusammen mit RENA Nasschemische Inline- (saure Prozesse) und Batch-Prozesse/Anlagen (alkalische Prozesse) für hohe Durchsätze entwickelt werden. Ziel dieses Arbeitspakets ist eine Erhöhung des Anlagendurchsatzes bei moderater Steigerung des Raumbedarfs sowie der Investitionskosten. Dies erfordert die Evaluierung neuer Technologien im Bereich: • Neuartige Transportsysteme für Wafer und Carrier • Beschleunigung der Prozesse • Verwendung alternativer Chemikalien • Rückgewinnung von Chemikalien aus Prozessabluft und –abwasser • Entfernung von Stickoxiden (NOx) aus der Prozessabluft Es soll dabei evaluiert werden, inwieweit sich gleichzeitig der ökologische Fußabdruck der Verfahren (bedingt z.B. durch den Medienverbrauch) verringern lässt, was o.g. Maßnahmen oder intelligente Prozessführung und gezielte kleinere Änderungen im Solarzellenprozess mit einschließt. AP5 bearbeitet die effiziente Auswertung und Speicherung der anfallenden Messdaten mittels modernster Algorithmen aus dem Bereich des maschinellen Lernens zur Produktionskontrolle, Fehlerdetektion und Prozesssteuerung.