$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

머신러닝 기반 페로브스카이트 태양전지 광흡수층 박막 최적화를 위한 연구
A Study on Optimization of Perovskite Solar Cell Light Absorption Layer Thin Film Based on Machine Learning 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.22 no.7, 2022년, pp.55 - 62  

하재준 (한양솔라에너지) ,  이준혁 (한양솔라에너지) ,  오주영 (한양솔라에너지) ,  이동근 (한양솔라에너지)

초록
AI-Helper 아이콘AI-Helper

페로브스카이트 태양전지는 4차 산업혁명으로 사물인터넷, 가상환경 등의 증가에 따른 전력 수요가 급증하면서 점진적으로 고갈되어가는 석유, 석탄, 천연가스 등의 화석연료를 대체할 태양에너지, 풍력, 수력, 해양에너지, 바이오에너지, 수소에너지 등의 신재생 에너지 분야에서 연구가 활발한 부분이다. 페로브스카이트 태양전지는 페로브스카이트 구조를 가진 유-무기 하이브리드 물질을 사용하는 태양전지 소자로 고효율, 저가의 용액 및 저온 공정으로 기존의 실리콘 태양전지를 대체할 수 있는 장점들이 있다. 기존의 경험적 방법으로 예측한 광흡수층 박막을 최적화하기 위해서 소자 특성 평가를 통해 신뢰도를 검증해야 한다. 그러나 광흡수층 박막 소자 특성 평가 비용이 많이 소요되므로 시험 횟수에 제약이 따른다. 이러한 문제점을 해결하기 위하여 광흡수층 박막 최적화의 보조 수단으로 머신러닝이나 인공지능 모델을 이용하여 명확하고 타당한 모델의 개발과 적용 가능성이 무한하다고 본다. 이 연구에서는 페로브스카이트 태양전지의 광 흡수층 박막 최적화를 추정하기 위하여 서포트 벡터 머신의 선형 커널, 가우시안 커널, 비선형 다항식 커널, 시그모이드 커널의 회귀분석 모델을 비교하여 커널 함수별 정확도 차이를 검증하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

The perovskite solar cell is an active part of research in renewable energy fields such as solar energy, wind, hydroelectric power, marine energy, bioenergy, and hydrogen energy to replace fossil fuels such as oil, coal, and natural gas, which will gradually disappear as power demand increases due t...

주제어

#페로브카이트 태양전지   #머신러닝   #박막   #서포트 벡터 머신 회귀   #가우시안 커널  

표/그림 (15)

AI 본문요약
AI-Helper 아이콘 AI-Helper

문제 정의

  • 따라서 본 논문에서는 페로브스카이트 태양전지의광흡수층 박막에 영향을 미치는 bed 온도, coating speed, N2 blowing 간격, N2 blowing 높이, N2 blowing 세기 등의 변수를 가지고 머신러닝의 지도 학습기반 서포트 벡터 머신 회귀(SVR)의 데이터를 반환하지 않는 선형(linear) 커널, 데이터를 비선형 변환에추가하는 비선형 다항식(polynomial) 커널, 다양한 형태에 적용하는 가우시안(R.B.F, Radial Basis Function) 커널, 시그모이드 함수를 사용하여 신경망과 조금 유사한 시그모이드(sigmoid) 커널 함수별 정확도 차이를 검증하고자 한다[8].
본문요약 정보가 도움이 되었나요?

참고문헌 (17)

  1. 산업통상자원부, "제 9차 전력 수급 기본 계획," (2020.12) 

  2. S. I. Seok, "Solvent-engineering for high performanceinorganic-organic hybrid perovskite solar cells," Nature Materials 13, 2014. 

    상세보기

  3. A. Kojima, K. Teshima, Y. Shirai, T. Miyasaka, et al. J. Am. Chem. Soc. 131, 2009. 

  4. J. Seo, S. Park, Y. C. Kim, N. J. Jeon, J. H. Noh, S. C. Yoon, and S. I. Seok, Energy Environ. Sci. 7, 2014. 

  5. J. H. Heo, H. J. Han, D. S. Kim, T. K. Ahn and S. H. Im, Energy Environ. Sci. 8, 2015. 

  6. K. B. Lee, S. H. Park, S. H. Sung, and D. M. Park, "A Study on the Prediction of CNC Tool Wear Using Machine Learning Technique," Journal of the Korea Convergence Society, Vol.10, No.11, 2019. 

  7. D. Wu, C. Jennings, J. Terpenny, R. X. Gao, and S. Kumara, "A Comparative Study on Machine Learning Algorithms for Smart Manufacturing : Tool Wear Prediction Using Random Forests," Journal of Manufacturing Science and Engineering, Vol.139, No.7, 2017. 

    상세보기

  8. A. Paniagua-Tineo, S. Salcedo-Sanz, C. Casanova-Mateo, E. G. Ortiz-Garcia, M. A. Cony, and E. Hernandez-Martin, "Prediction of daily maximum temperature using a support vector regression algorithm," Renewable Energy, Vol.36, No.11, 2011. 

    상세보기

  9. A. J. Smola and B. Scholkopf, "A tutorial on support vector regression," Statistics and Computing Vol.14, No.3, 2004. 

    상세보기

  10. H. T. Bang, S. Yoon, and H. Jeon, "Application of machine learning methods to predict a thermal conductivity model for compacted bentonite," Annals of Nuclear Energy, Vol.142, 2020. 

    상세보기

  11. D. Basak, S. Pal, and D. C. Patranabis, Support vector regression, Neural Information Processing-Letters and Reviews, 2007. 

  12. H. Zhong, J. Wang, H. Jia, Y. Mu, and S. Lv, "Vector field-based support vector regression for building energy consumption prediction," Applied Energy, Vol.242, 2019. 

    상세보기

  13. Bloomberg NEF, New Energy Outlook 2018. 

  14. 산업부, "재생에너지 3020 이행계획," 2017.2. 

  15. 과기정통부(과학기술혁신본부), "2019년도 정부 연구개발 투자 방향 및 기준," 2018(3). 

  16. 김종현, "고효율 페로브스카이트 태양전지용 전하수송 소재 개발 동향," 한국태양광발전학회지, Vol.5, No.1, pp.7-15, 2019. 

    원문보기 상세보기

  17. 김민, "고분자/페로브스카이트 하이브리드 나노결정합성 및 응용 기술 동향," 고분자 과학과 기술, Vol.32, No.2, pp.128-131, 2021. 

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로