کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7935334 1513053 2018 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Application of artificial neural network for accelerated optimization of ultra thin organic solar cells
ترجمه فارسی عنوان
کاربرد شبکه ی عصبی مصنوعی در بهینه سازی سلول های خورشیدی آلی فوق العاده نازک
کلمات کلیدی
سلول های خورشیدی آلی، پلاسمونیک، شبکه ی عصبی مصنوعی، انالیز فرامدل، بهینه سازی.
فهرست مطالب مقاله
چکیده

کلمات کلیدی

1- مقدمه

2- مدل فیزیکی

3- بهینه سازی مبتنی بر شبکه ی عصبی.

1.3 مدل شبکه ی عصبی جذب نوری

شکل 1- OSC با پارامترهای اختصاصی طراحی

2.3 مسئله ی بهینه سازی

شکل 2- بخش های واقعی (چپ) و موهومی شاخص انکساری مواد بکاررفته در شبیه سازی ها. 

شکل 3- میانگین مجموع خطای مربع (SSE) برای داده های آموزش (چپ) و روایی (راست) بعنوان تابع تعداد نورون ها در لایه های پنهان (R1).

شکل 4- ضریب ارتقای جذب بیشینه شده درنتیجه ی بهینه سازی مبتنی بر شبکه ی عصبی

3.3 روش شناسی

شکل 5- مقادیر بهینه ی متغیرهای طراحی. نتیجه ی یک بهینه سازی با نقطه مشخص شده است.

جدول 1- حدود بهینه سازی آپدیت شده و نتایج بهینه سازی

شکل 6- فرگشت ضریب ارتقا درطی تکرارهای بهینه سازی مستقیم.

شکل 7- ضریب جذب طیفی پلاسمونیک و سلول های خورشیدی ساده (xp = [87,37,20,28,107,15,10,25]T ).

جدول 2- زمان های محاسباتی عملیات مختلف در فرایند بهینه سازی.

4- نتایج و بحث

1.4 نتایج آموزش شبکه ی عصبی

2.4 نتایج بهینه سازی

3.4 هزینه ی محاسباتی

5- نتیجه گیری

 
ترجمه چکیده
در این بررسی نشان می دهیم که بهینه سازی طراحی سلول های خورشیدی با استفاده ی موثر از شبکه های عصبی (NN) تسریع می شود. یک سلول خورشیدی فیلم نازک آلی از پلی (3- هگزیل تیوفن): (6،6)- فنیل- C61- بوتیریک اسید- متیل استری (P3HT:PCBM) جاذب، لایه اکسید قلع ایندیم (ITO) ضدانعکاسی و یک لایه ی بازتابنده ی برگشتی آلومینیومی ساخته می شود. میان لایه های اکسید روی (ZnO) و تری اکسید مولیبدن (MoO3) بعنوان لایه های انتقال حفره و الکترون استفاده می شوند. نانوبافت های نقره ای برای خلق اثرات میدانی نزدیک و ارتقای جذب نوری درون لایه ی جاذب جای داده شده اند. خواص نوری ساختارها در مقیاس های زیرطول موج با حل عددی معادلات الکترومغناطیس اصول اولیه، یعنی به کمک تفاضل محدود حوزۀ زمان و روش های المان محدود سنجش می شوند. این روش ها وقت گیر هستند و بنابراین امکان بهینه سازی جامع را محدود می کنند. مدل سازی فرامدل برای غلبه بر این چالش استفاده می شود. در این کار، فرامدل nn دولایه را برای ارزیابی ضریب جذب سلول برای هر بردار هندسی مفروض و طول موج شعاعی طراحی می کنیم. پس از بهینه سازی مقدماتی با استفاده از شبکه ی عصبی، نتیجه ی بهینه سازی در کران های بهینه سازی کم پهنا از نتایج بهینه سازی فرامدل کسب می شود. ارتقای 325 درصد در جذب درنتیجه ی بهینه سازی حاصل می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
پیش نمایش مقاله
کاربرد شبکه ی عصبی مصنوعی در بهینه سازی سلول های خورشیدی آلی فوق العاده نازک
چکیده انگلیسی
In this study, we show that design optimization of solar cells can be accelerated using neural networks (NN) effectively. We consider an organic thin film solar cell consisting of a poly(3-hexylthiophene):(6,6)-phenyl-C61-butyric-acid-methyl ester (P3HT:PCBM) absorber, an antireflective indium tin oxide (ITO) layer and an aluminum back reflector layer. Zinc oxide (ZnO) and molybdenum trioxide (MoO3) interlayers are also used as electron and hole transfer layers. Silver nanotextures are embedded within absorber layer to create near field effects thus enhancing optical absorption. Optical properties of structures at sub-wavelength scales are measured by numerically solving first principle electromagnetic equations, e.g., by means of finite difference time domain and finite element methods. These methods are time-consuming, and therefore limit the possibility of exhaustive optimization. Surrogate modeling can be used to overcome this challenge. In the present work, we design a two-layer NN surrogate model to estimate the optical absorptivity of the cell for any given geometry vector as well as any radiation wavelength. After the preliminary optimization which utilizes NN, the result of optimization is obtained within narrowed optimization bounds obtained from the results of surrogate based optimization. A 325% of enhancement in absorption is obtained as a result of optimization.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Solar Energy - Volume 165, 1 May 2018, Pages 159-166
نویسندگان
, ,