وب سایت فربیلد
شرکت فردید بنای ماندگار
خرید اکانت میدجورنی

استفاده از یادگیری ماشین برای یافتن سلول های خورشیدی قابل اعتماد و کم هزینه

Using machine learning to find reliable and low cost solar cells

مهندس امیر رضا عرب عامری | یکشنبه, 10 اردیبهشت,1402

پروسکایت های هیبریدی مولکول های آلی- معدنی هستند که در طول 10 سال گذشته به دلیل استفاده بالقوه در انرژی های تجدید پذیر مورد توجه زیادی قرار گرفته اند. برخی از آنها از نظر کارایی با سیلیکون برای ساخت سلول های خورشیدی قابل مقایسه هستند، اما ساخت آنها ارزان تر و سبک تر هستند و به طور بالقوه طیف گسترده ای از کاربردها، از جمله دستگاه های ساطع کننده نور را امکان پذیر می کنند. با این حال، زمانی که در معرض رطوبت، اکسیژن، نور، گرما و ولتاژ قرار می‌گیرند، نسبت به سیلیکون سریع‌تر تجزیه می‌شوند. محققان از یادگیری ماشینی و آزمایش‌های با توان بالا برای شناسایی پروسکایت‌ها با کیفیت بهینه از میدان بسیار بزرگ ساختارهای ممکن استفاده کردند.
محققان دانشگاه کالیفرنیا، کالج مهندسی دیویس، از یادگیری ماشینی برای شناسایی مواد جدید برای سلول های خورشیدی با کارایی بالا استفاده می کنند. با استفاده از آزمایش‌های با توان بالا و الگوریتم‌های مبتنی بر یادگیری ماشین، آنها دریافتند که می‌توان رفتار دینامیکی مواد را با دقت بسیار بالا، بدون نیاز به انجام آزمایش‌های زیاد، پیش‌بینی کرد.
این اثر روی جلد شماره آوریل مجله ACS Energy Letters منتشر شده است.

آینده سلولهای خورشیدی ارزان قیمت
آینده سلولهای خورشیدی ارزان قیمت

مارینا لیت، دانشیار علوم و مهندسی مواد در دانشگاه کالیفرنیا دیویس و نویسنده ارشد این مقاله گفت: پروسکایت‌های هیبریدی مولکول‌های آلی-غیر آلی هستند که در 10 سال گذشته به دلیل استفاده بالقوه در انرژی‌های تجدیدپذیر مورد توجه زیادی قرار گرفته‌اند. برخی از آنها از نظر کارایی با سیلیکون برای ساخت سلول های خورشیدی قابل مقایسه هستند، اما ساخت آنها ارزان تر و سبک تر هستند و به طور بالقوه طیف گسترده ای از کاربردها، از جمله دستگاه های ساطع کننده نور را امکان پذیر می کنند.

یک چالش اصلی در این زمینه این است که دستگاه‌های پروسکایت نسبت به سیلیکون در معرض رطوبت، اکسیژن، نور، گرما و ولتاژ سریع‌تر تجزیه می‌شوند. مشکل این است که پیدا کنیم کدام پروسکایت ها عملکرد با راندمان بالا را با همراه با انعطاف پذیری در برابر شرایط محیطی دارا هستند.

پروسکایت ها ساختار کلی ABX3 دارند، که در آن A یک گروه آلی (مبتنی بر کربن) یا معدنی، B سرب یا قلع، و X یک هالید (بر اساس کلر، ید یا فلوئور یا ترکیبی) است. لیت میگوید، بنابراین، "تعداد ترکیبات شیمیایی ممکن به تنهایی بسیار زیاد است." علاوه بر این، آنها باید در برابر شرایط محیطی متعدد، به تنهایی و به صورت ترکیبی ارزیابی شوند، که منجر به یک فضای فراپارامتری می شود که با استفاده از روش های آزمون و خطای مرسوم قابل بررسی نیست.

لیت گفت: فضای پارامترهای شیمیایی بسیار زیاد است. "آزمایش همه آنها بسیار وقت گیر و خسته کننده خواهد بود."

آزمایش های توان عملیاتی بالا و یادگیری ماشینی

به عنوان اولین و کلیدی ترین گام برای حل این چالش ها، لیت و دانشجویان فارغ التحصیل مگنا سریواستاوا و ابیگیل هرینگ تصمیم گرفتند آزمایش کنند که آیا الگوریتم های یادگیری ماشینی می توانند هنگام آزمایش و پیش بینی اثرات رطوبت بر تخریب مواد موثر باشند یا خیر.

Srivastava و Hering یک سیستم خودکار و با توان بالا برای اندازه‌گیری بازده فوتولومینسانس پنج فیلم مختلف پروسکایت در برابر شرایط روزهای تابستان در ساکرامنتو ساختند. آنها توانستند بیش از 7000 اندازه گیری را در یک هفته جمع آوری کنند و داده های کافی برای یک مجموعه آموزشی قابل اعتماد جمع آوری کنند.

آنها از این داده ها برای آموزش سه الگوریتم مختلف یادگیری ماشین استفاده کردند: یک مدل رگرسیون خطی، یک شبکه عصبی و یک مدل آماری به نام SARIMAX. آنها پیش بینی های مدل ها را با نتایج فیزیکی اندازه گیری شده در آزمایشگاه مقایسه کردند. مدل SARIMAX بهترین عملکرد را با تطابق 90 درصدی با نتایج مشاهده شده در یک پنجره بیش از 50 ساعت نشان داد.

لیت گفت: «این نتایج نشان می‌دهد که ما می‌توانیم از یادگیری ماشین در شناسایی مواد نامزد و شرایط مناسب برای جلوگیری از تخریب در پروسکایت‌ها استفاده کنیم. گام‌های بعدی گسترش آزمایش‌ها برای تعیین کمیت ترکیبی از عوامل محیطی متعدد خواهد بود.

لیت گفت که خود فیلم پروسکایت تنها بخشی از یک سلول فتوولتائیک کامل است. از همان رویکرد یادگیری ماشینی نیز می توان برای پیش بینی رفتار یک دستگاه کامل استفاده کرد.

لیت گفت: "پارادایم ما منحصر به فرد است و من مشتاق دیدن اندازه گیری ها و نتایج آینده هستم. علاوه بر این، من به سخت کوشی دانش آموزان در طول همه گیری بسیار افتخار می کنم."

Srivastava عضو بنیاد ملی علوم 2021 است. نویسندگان اضافی در این مقاله، یو آن و خوان پابلو کوریا بائنا هستند، هر دو از جورجیا تک. این کار با کمک های مالی بنیاد ملی علوم و آزمایشگاه های ملی ساندیا حمایت شد.
 

لینک منبع اصلی

بازگشت به صفحه اصلی
گالری تصاویر

مطالب مرتبط

پارس هاست

افراد دارای مهارت در این زمینه

در صورتی که در این زمینه تخصص یا مهارتی دارید، پس از ثبت نام در سایت و تکمیل فرم مشخصات شخصی ، پروفایل خود را به لیست زیر اضافه نمایید .

ابتدا وارد شوید

ابتدا وارد شوید

و یا ثبت نام نمایید.

وارد شوید

نظر دهيد