Fotovoltaik teknolojilerin üretim optimizasyonunda makine öğrenmesinin kullanılması
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Ege Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Tez kapsamında fotovoltaik teknolojilerin üretim optimizasyonunda makine öğrenmesinin kullanılması gerçekleştirilmiştir. Makine öğrenmesi (ML), bilgisayarların bilinen verilerden belirli bir görevi nasıl gerçekleştireceklerini öğrenmeleri amacıyla son dönemde oldukça farklı alanda kullanılan bir disiplindir. Bu farklı alanlardan biri olan fotovoltaik teknolojilerin tasarımının ve fabrikasyon süreçlerinin optimizasyonu konuları da çalışılan konular arasına hızla dâhil olmuştur. Ege Üniversitesi Güneş Enerjisi Enstitüsü bünyesinde yürütülmekte olan "Yeni Nesil Fotovoltaik Teknolojilerin Üretim ve Karakterizasyon Altyapısının Geliştirilmesi" adlı projenin hedeflerinden biri, yeni nesil güneş hücrelerinin endüstriyel boyutlara taşınması aşamasında yöntem geliştirmek ve optimizasyonunu sağlamaktır. Bu tezde, Güneş Enerjisi Enstitüsü bünyesinde yapılan çalışmalardan elde edilen veriler kullanılarak oluşturulmuş olan veri seti üzerinde, farklı makine öğrenmesi algoritmaları kullanılarak yeni nesil fotovoltaik teknolojilerden olan perovskit güneş hücresi yapısının optimizasyonu gerçekleştirilmiştir. Altı farklı makine öğrenmesi algoritmasının kullanıldığı model eğitim süreci sonucunda en yüksek başarım değerini XGBoost modeli göstermiştir. Geliştirilmiş olan model, kök ortalama kare hatası: 0.6737 ve Pearson korelasyon katsayısı: 0.8952 performans sonuçlarına sahiptir. XGBoost modeli üzerinde, slot-die (yarık kaplama) ve air knife (hava bıçağı) cihazlarındaki belirlenmiş olan farklı parametre değerleri için güç dönüşüm verimi (PCE) değeri tahmin edilmiş ve karşılaştırma yapılabilmesi adına elde edilmiş olan parametreler kullanılarak perovskit güneş hücresi üretimi gerçekleştirilmiştir. Kullanılan parametreler sonucunda üretimi gerçekleştirilmiş olan perovskit güneş hücresinin performans ölçümlerinde, düz ölçüm sonucunda %8,52 ve ters ölçüm sonucundaysa %8,71 PCE değeri elde edilmiştir. Elde edilen sonuçlar, deneysel çalışmalar sürecinde üretilen en yüksek PCE değerine sahip perovskit güneş hücresi için sırasıyla %11,37'lik ve %4,94'lük bir artışın sağlandığını göstermektedir.
Açıklama
Anahtar Kelimeler
Makine Öğrenmesi, Perovskit Güneş Hücreleri, Optimizasyon, Machine Learning, Perovskite Solar Cells, Optimization.
