L’IA ora può prevedere l’efficienza delle celle solari in base alla qualità dei wafer

I ricercatori dell’Università della Corea hanno creato un modello di apprendimento automatico in grado di prevedere l’efficienza delle celle in base alla qualità dei wafer.

“Abbiamo sviluppato questo framework di apprendimento automatico basato sui dati industriali utilizzando oltre 100.000 punti dati sulle celle solari raccolti direttamente da una vera linea di produzione di massa”, ha dichiarato a pv magazine l’autore principale della ricerca, Seungtae Lee . “ L’obiettivo è consentire un processo decisionale basato sui dati e un’automazione intelligente nella produzione fotovoltaica”.

“Sebbene l’interesse per l’applicazione dell’intelligenza artificiale (IA) al settore manifatturiero sia cresciuto rapidamente, le implementazioni pratiche nella produzione fotovoltaica rimangono limitate. Sfruttando direttamente dati industriali su larga scala, il nostro lavoro dimostra come l’apprendimento automatico possa supportare il processo decisionale autonomo per le fabbriche intelligenti, mantenendo al contempo l’interpretabilità umana e il coinvolgimento degli operatori in linea con la visione incentrata sull’uomo dell’Industria 5.0.”

L’approccio proposto si basa su tre metodologie chiave: previsione dell’efficienza finale delle celle solari esclusivamente dai dati sulla qualità dell’ispezione dei wafer utilizzando modelli di apprendimento automatico, consentendo uno screening precoce dei wafer prima della fabbricazione; identificazione di percorsi ottimali per le apparecchiature specifici per wafer, denominati “percorsi d’oro”, tramite algoritmi di ottimizzazione per migliorare la resa e l’efficienza della produzione, in particolare per i campioni a basse prestazioni; e miglioramento dell’interpretabilità tramite analisi dell’importanza delle caratteristiche e SHapley Additive exPlanations (SHap), consentendo agli ingegneri di comprendere la relazione tra variabili di processo e risultati prestazionali.

Il framework consente uno screening preciso dei wafer prima dell’ulteriore elaborazione. L’ottimizzazione del percorso di processo viene eseguita utilizzando il Tree-structured Parzen Estimator (TPE), un algoritmo di ottimizzazione bayesiano che ottimizza in modo efficiente gli iperparametri di apprendimento automatico e identifica automaticamente le impostazioni ottimali del modello senza test approfonditi.

Il framework utilizza anche il modello Extremely Randomized Trees (ET), un algoritmo di ensemble per la regressione e la classificazione, come funzione obiettivo.

Lo studio ha sfruttato un set di dati di oltre 100.000 campioni provenienti da una linea di produzione di celle solari PERC che utilizza wafer di silicio multicristallino. La rimozione aggressiva dei valori anomali è stata applicata tramite il clustering k-means, un algoritmo non supervisionato che raggruppa i punti dati in cluster in base alla similarità, combinato con un filtraggio basato sull’efficienza per migliorare la qualità dei dati.

I ricercatori affermano che il modello ET può raggiungere un’elevata accuratezza predittiva e offre robustezza al rumore e un’elevata velocità di addestramento, rendendolo adatto agli ambienti industriali. Le caratteristiche correlate ai difetti, tra cui la frazione dell’area dei difetti, la frazione dell’area dei difetti dei grani e la frazione dell’area scura, si sono rivelate fondamentali per la previsione dell’efficienza.

Inoltre, l’analisi SHAP ha fornito spunti direzionali, identificando le soglie in cui le caratteristiche iniziano a ridurre l’efficienza. Il banco umido è stata la fase di processo che ha contribuito maggiormente al miglioramento dell’efficienza nei “percorsi d’oro” ottimizzati per le apparecchiature di processo, migliorando l’efficienza, soprattutto per i wafer a basse prestazioni.

“Sebbene la metodologia sia stata convalidata utilizzando i dati di produzione delle celle solari multicristalline, può essere adattata ad altre tecnologie fotovoltaiche utilizzando lo stesso framework di base”, ha affermato Lee. “Nel caso delle celle solari in silicio monocristallino, l’approccio è applicabile in modo analogo; tuttavia, la mancanza di bordi di grano rispetto ai wafer multicristallini limita il numero di caratteristiche qualitative direttamente misurabili”.

“Un quadro metodologico simile può essere applicato alle celle solari in perovskite”, ha concluso.

La nuova metodologia è stata introdotta in “Industrial data-driven machine learning framework for wafer quality-based decision making towards smart solar-cell manufacturing“, pubblicato su Energy and AI .

Lo stesso gruppo di ricerca ha presentato ad agosto un modello di apprendimento automatico per la previsione della resistenza dei fogli nei processi di drogaggio con ossicloruro di fosforo (POCl3) nella produzione di celle solari . Si è scoperto che consente un’ottimizzazione più efficiente e rapida delle condizioni di processo rispetto ai metodi convenzionali e costosi basati su tentativi ed errori utilizzati nel settore fotovoltaico.

“Abbiamo scoperto che le rappresentazioni e le previsioni apprese dal modello sono coerenti con la conoscenza fisica e teorica consolidata. Questo aumenta la fiducia nell’affidabilità e nell’interpretabilità del modello in ambienti di produzione reali”, dichiarò Lee a pv magazine all’epoca. “Riteniamo che questa metodologia possa essere estesa oltre la produzione di celle solari, a un’ampia gamma di processi industriali”.

I presenti contenuti sono tutelati da diritti d’autore e non possono essere riutilizzati. Se desideri collaborare con noi e riutilizzare alcuni dei nostri contenuti, contatta: editors@nullpv-magazine.com.