Изследователи в САЩ и Китай използват машинно обучение, за да направят по-добри слънчеви панели
Изследователи в САЩ и Китай използват машинно обучение, за да направят по-добри слънчеви панели

Видео: Изследователи в САЩ и Китай използват машинно обучение, за да направят по-добри слънчеви панели

Видео: The Choice is Ours (2016) Official Full Version 2022, Декември
Anonim

Слънчевата енергия и усъвършенстваните изчисления са ключова точка за пресичане на чисти технологии. От оптимизирането на възвръщаемостта на инвестициите от инвестиции до оптималното внедряване на слънчева енергия на покрива, машинното обучение ни помага да станем по-ефективни и ефективни в нашата глобална трансформация.

Но е по-дълбоко от това. Изследователи от САЩ и Китай използват машинно обучение, за да открият нови химикали за слънчеви панели, за да увеличат основната ефективност и икономическата ефективност на слънчевите панели. Те изпробват стотици или хиляди комбинации във виртуални тестови легла, преди да ги въведат във физическия свят, ключов елемент от предложението за стойност на машината към реалността.

Ярка светлина и лъчи илюстрация
Ярка светлина и лъчи илюстрация

Снимката е предоставена от американската Тихоокеанска северозападна национална лаборатория

Нека започнем в Съединените щати с Джинсин Ли, Басудев Прадхан, Сурия Гаур и Джаян Томас от залетия със слънце кампус на Университета на Централна Флорида. Фокусът им е върху перовскитите слънчеви панели. Този набор от химикали, включващи неорганични и органични елементи, е постигнал ефективност от 28%, надхвърляйки стандартната максимална ефективност на силиций, и бързо напредва. Въпреки това, възможностите за композиция са много големи, а броят на изследователите ограничен. В своето проучване, публикувано под заглавие Прогнози и стратегии, научени от машинното обучение за разработване на високоефективни слънчеви клетки Perovskite в Wiley, екипът се опита да опрости този процес. Те използваха 333 точки от данни от около 2000 рецензирани проучвания по темата, за да обучат модел, който да търси химикали с по-голяма вероятност. Те не само са идентифицирали най-вероятните кандидати за физически изследвания, но с разумна точност са предвидили ефективността въз основа на основните химични фактори. Тяхната работа подкрепя и предлага да се доближи до теоретичната граница на Шокли-Куайсер и за индивидуалната ефективност на слънчевите клетки. Докато слънчевите панели са намалели в цената най-вече поради огромните икономии от мащаба за производство, дистрибуция и строителство, повишената ефективност с евтини и изобилни минерали все още има място да даде плодове.

Също така в САЩ са Баскар Ганапатисубраманян и екип в Държавния университет на Айова, подкрепени от безвъзмездни средства от Агенцията за модерни изследователски проекти на Министерството на енергетиката - ARPA-E. Разширеният екип обхваща САЩ с Нюйоркския университет, Калифорнийския университет в Станфорд и член от NREL в Колорадо. Фокусът им е върху прилагането на машинно обучение към органични, тънкослойни слънчеви панели. Тази подгрупа на слънчевите технологии е по-малко ефективна от конвенционалните слънчеви панели и перовскитите, но ползата е подчертана в името. Тънкостта се равнява на лекота, гъвкавост и дори прозрачност. Те са били използвани в интегрирани фотоволтаици в потребителски устройства, прозорци, които генерират електричество и конвенционални слънчеви ферми, но през последните години са в упадък в полза на по-ефективните технологии. Те също имат място за подобрение, но се сблъскват със същия проблем с огромния брой композиционни решения, които могат да бъдат направени, нещо трудно за справяне чрез конвенционални изследователски подходи. Влезте в екипа на Ganapathysubramanian. Тяхното намерение е същото като изследователите, фокусирани върху перовскитите, да намерят химикали, които са с по-висока ефективност и по-евтини за производство. За тях са ранни дни и работата им е в помощ на по-голяма цел да приложат подхода към множество домейни.

Следващият екип, работещ върху слънчевите технологии с подходи за машинно обучение, са Wenbo Sun, Yujie Zheng и др., Извън университета в Чунцин, Севернокитайския университет за наука и технологии и Китайската академия на науките. Фокусът им е върху нововъзникващото пространство на органични слънчеви клетки, които използват органични полимери или молекули, за да улавят слънчевата енергия и да я преобразуват в полезно електричество. Ефективността е все още по-ниска в това пространство досега, с максимална ефективност под 20% към днешна дата. Но гамата от органични химикали е огромна, това е ново поле и предимствата са големи, ако могат да бъдат направени по-ефективни и трайни. Още веднъж, това е лека, тънкослойна технология и по своята същност гъвкава и бърза за производство. И отново машинното обучение идва на помощ. Тъй като подходът изисква данни и органичните филми са сравнително нови, екипът първо започна сглобяването на масивен набор от данни от над 700 материали от литературата. След това те проучиха как да се вземат пръстови отпечатъци на молекулярните структури най-ефективно за прилагане на подходи за машинно обучение и накрая го провериха спрямо нов набор от материали за оценка на качеството на прогнозиране. И качеството на предсказване е добро. Очаквайте още напредък от този екип в тази слънчева технология през следващите години и от Китай ще се появи нова порода тънки, леки и евтини слънчеви панели заради нея.

Светът е необятен и химикалите и органичните съединения в него са безброй и замайващи в техните комбинации и пермутации. Машинното обучение помага на изследователите да намерят най-вероятните комбинации за по-ефективни и по-евтини слънчеви технологии, нещо, което ще бъде от полза за всички в света.

Популярни по теми