İçerikte Neler Var?
Yapay Zeka, Gelişmiş Güneş Pili Üretimini Ölçeklendirmeye Yardımcı Oluyor
Perovskite malzemeler, fotovoltaik hücrelerinde silikondan daha üstündür. Ancak bu tür hücrelerin ölçekli olarak üretilmesi de büyük bir engel teşkil eder. Bu engeli kaldırmaya makine öğrenimi yardımcı olabilecek.
Perovskite Nedir?
Perovskite 1839 yılında keşfedilmiştir. Kalsiyum titanat ile aynı kimyasal bileşime sahip kristal bir mineraldir. CaTiO3 kimyasal formülüne sahiptir ve perovskit mineral grubuna aittir. Bu mineralin adı, onu ilk kez 1839’da keşfeden Rus mineralog Lev Perovski’den geliyor.
Perovskite güneş pillerinde kullanılabilen yarı iletken bir malzemedir. Bu malzeme ilk olarak bilim adamları titanyum dioksit adı verilen başka bir yarı iletken malzeme oluşturmaya çalışırken tesadüfen yaratıldı. Bilim insanları, titanyum dioksitin üzerine kurşun iyodür koyduklarında titanyum dioksit yerine, perovskit oluşturduklarını keşfettiler.
Perovskitler, günümüzde yaygın olarak kullanılan silikon bazlı güneş fotovoltaiklerinin yerini almak için şu anda önde gelen bir malzeme ailesi olarak nitelendirilebilir. Yüzlerce derece yerine, oda sıcaklığında yüksek verimle büyük hacimlerde yapılabilen, çok daha hafif ve daha ince, nakliyesi ve montajı daha kolay ve daha ucuz paneller vaadini taşıyor. Ancak küçük laboratuvar deneylerinden elde edilen bu malzemeleri rekabetçi bir şekilde üretilebilecek bir ürün haline getirmek uzun süren bir mücadele oldu.
Perovskit bazlı güneş pillerinin üretimi, birçok olasılık arasından belirli bir üretim yaklaşımı dahilinde bile en az bir düzine kadar değişkenin aynı anda optimize edilmesini içeriyor. Ancak, makine öğrenimine yönelik yeni bir yaklaşıma dayalı sistem, optimize edilmiş üretim yöntemlerinin geliştirilmesini hızlandırabilir ve yeni nesil güneş enerjisini gerçeğe dönüştürmeye de yardımcı olabilir.
Son birkaç yılda MIT ve Stanford Üniversitesi’ndeki araştırmacılar tarafından geliştirilen sistem, önceki deneylerden elde edilen verileri ve deneyimli çalışanların kişisel gözlemlerine dayanan bilgileri makine öğrenimi sürecine entegre etmeyi mümkün kılıyor. Bu yöntem, sonuçları daha doğru hale getiren ve bugünün pazarı için rekabetçi bir seviye olan yüzde 18,5’lik bir enerji dönüşüm verimliliğine sahip perovskite hücrelerin üretilmesine yol açtı.
Perovskitler, kristal kafeslerindeki atomların konfigürasyonu ile tanımlanan bir grup katmanlı kristalli bileşiklerdir. Perovskite malzemelerin laboratuvar ölçeğinde geliştirilmesinin çoğunda döndürme kaplama tekniği kullanılırken, bu daha büyük ölçekli üretim için pratik değildir. Bu nedenle dünya çapındaki şirketler ve laboratuvarlar bu malzemeleri pratik, üretilebilir bir ürüne dönüştürmenin yollarını arıyorlar.
Deneylerde kullanılan malzemelerin bileşimi; sıcaklığı, nemi, işleme yolunun hızını, malzemeyi bir alt tabaka üzerine püskürtmek için kullanılan araçların mesafesini ve malzemeyi kürleme yöntemleri gibi faktörler içerir. Bu faktörlerin çoğu birbiriyle etkileşime girebilir ve işlem açık havadaysa, örneğin nem kontrolsüz olabilir. Bu değişkenlerin tüm olası kombinasyonlarını deney yoluyla değerlendirmek imkansızdır. Bu nedenle deneysel sürece rehberlik etmek için makine öğrenimine ihtiyaç duyulmuştur.
Yapay Zeka İle Güneş Pili Üretimini Ölçeklendirme
Ancak çoğu makine öğrenimi sistemi, test numunelerinin elektriksel ve diğer özelliklerinin ölçümleri gibi ham verileri kullanırken, deney numunelerinin görsel ve diğer özellikleri gibi deneyi yapan kişilerin nitel gözlemlerini içermezler. Böylece ekip, Bayes Optimizasyonu adı verilen matematiksel tekniğe dayalı bir olasılık faktörü kullanarak bu tür dış bilgileri makine öğrenimi modeline dahil etmenin bir yolunu buldu.
Sistemi kullanarak, deneysel verilerden gelen bir modele sahip olarak, daha önce göremediğimiz eğilimleri bulabiliriz. Örneğin, başlangıçta ortam ayarlarındaki kontrolsüz nem değişimlerini ayarlamakta zorlandılar. Ancak model, ekibe “sıcaklığı değiştirerek ve diğer faktörlerin bazılarını değiştirerek nem değişkenliğinin üstesinden gelinebileceğini” gösterdi.
Sistem artık deney yapan araştırmacıların belirli bir dizi koşul veya gerekli sonuçlar için optimize etmek amacıyla süreçlerini çok daha hızlı yönlendirmelerine izin veriyor. Deneylerde ekibin güç çıkışını optimize etmeye odaklandığı, ancak sistemin maliyet ve dayanıklılık gibi diğer kriterleri aynı anda dahil etmek için de kullanılabileceği sonucu ortaya çıkmış oluyor.
Bilim insanları, çalışmaya sponsor olan Enerji Bakanlığı tarafından teknolojiyi ticarileştirmeye teşvik edildiler ve şu anda mevcut perovskite üreticilerine teknoloji transferine odaklanıyorlar.
Sorun şu ki, hangi üretim teknolojisinin kullanılacağı konusunda bir fikir birliği yok. Ancak araştırmacıların geliştirdiği makine öğrenimi sistemi, kullanılan süreç ne olursa olsun optimizasyona rehberlik etmede önemli olduğunu kanıtlayabilir.
Opinyu 25.05.2022
Kaynaklar:
https://news.mit.edu/2022/ai-perovskite-solar-manufacturing-0413
