Novo design para esquadrias de alumínio usadas em módulos solares bifaciais de vidro-vidro

Share

Da pv magazine Global

Cientistas do Instituto de Tecnologia Industrial da Coreia do Sul desenvolveram um modelo substituto de aprendizado profundo para otimizar estruturas de módulo de alumínio (Al) usadas em painéis fotovoltaicos bifaciais de vidro e vidro.

Os cientistas disseram que, devido ao aumento do tamanho e peso dos módulos fotovoltaicos, os quadros de Al sofrem maior risco de deflexão, grau em que uma parte de um elemento estrutural longo é deformada lateralmente sob uma carga.

“Se o módulo sofrer deformação devido à carga, pode levar à fissuração ou delaminação de fitas dentro do módulo, resultando em um aumento de células mortas”, explicou o grupo. “Os módulos bifaciais são relativamente mais pesados em comparação com os módulos monofaciais. Portanto, quando sujeito ao aumento da área de superfície, há uma maior probabilidade de deformação do quadro devido ao autopeso, levando à potencial deflexão do módulo”.

Para projetar seu modelo de otimização, os acadêmicos primeiro identificaram cinco fatores de projeto para o quadro, incluindo sulcos, nervuras e uma seção oca. Definindo três níveis em milímetros para cada fator, o grupo realizou 243 experimentos que puderam identificar a deflexão por meio da análise de elementos finitos (FEA). FEA é um método numérico usado para resolver problemas em engenharia e física matemática.

No entanto, como a FEA demanda recursos computacionais significativos, o grupo criou o módulo substituto. “A modelagem substituta baseada em redes neurais profundas (DNN) envolve encontrar uma função aproximada que minimize a função de perda para os dados fornecidos”, explicaram. “Aplicamos otimização bayesiana, derivando hiperparâmetros que minimizam a função de perda”.

A otimização bayesiana é uma estratégia de projeto sequencial para otimização global de funções de caixa-preta que não assume nenhuma forma funcional. É particularmente eficaz para cenários onde a amostragem é dispendiosa e a função objetivo é desconhecida, mas pode ser amostrada.

Diagrama do DNN.

Imagem: Korea Institute of Industrial Technology, Scientific Reports, CC BY 4.0

Usando os resultados dos 243 experimentos e aumentando-os artificialmente, o grupo então treinou e testou o novo modelo com uma proporção de 9:1, respectivamente. Quando comparado ao FEA real, o modelo substituto de FE demonstrou alta acurácia, sendo que os valores médios do erro percentual absoluto (MAPE) e do coeficiente de determinação (R2) para a deflexão e o peso foram em média de 0,0017, 0,9972 para a série de treinamento e 0,0020, 0,9962 para a série de testes, respectivamente.

O objetivo de otimização do novo modelo é projetar um quadro que minimize a deflexão com o menor peso possível, o que significa que tornar um quadro mais espesso pode reduzir relativamente a deflexão, mas também aumentar o custo de produção. “Os valores fatoriais que minimizam tanto a deflexão quanto o peso foram encontrados como a = 1,5176 mm, b = 13,7105 mm, c = 1,5012 mm, d = 2,9898 mm, e = 4,3123. Neste momento, a deflexão era de 11,1 mm e o peso era de 3,6 kg”, disseram os cientistas.

Estrutura e projeto de molduras para módulo fotovoltaico bifacial.

Imagem: Korea Institute of Industrial Technology, Scientific Reports, CC BY 4.0

Esses resultados foram alcançados depois que o novo modelo de otimização analisou um milhão de conjuntos de dados. “A geração dos 1 milhão de conjuntos de dados levou 0,957 segundos (s), a obtenção dos valores de deflexão e peso previstos para esses conjuntos de dados levou aproximadamente 72,014 s, e encontrar os valores ideais dessas previsões levou cerca de 0,264 s. Em contraste, o uso da FEA tradicional para obter deflexão e peso para um único caso levou cerca de 4.800 s”, afirmaram.

Usando seu novo método, eles foram supostamente capazes de diminuir a deflexão em quase 9,6%, enquanto aumentavam o peso do quadro em cerca de 12,8%.

Suas descobertas foram apresentadas no estudo “Design optimization of largescale bifacial photovoltaic module frame using deep learning surrogate model”, publicado na Scientific Reports.

Este conteúdo é protegido por direitos autorais e não pode ser reutilizado. Se você deseja cooperar conosco e gostaria de reutilizar parte de nosso conteúdo, por favor entre em contato com: editors@pv-magazine.com.

Conteúdo popular

Chamada da Aneel recebe propostas para 19 plantas piloto de hidrogênio que somam 100 MW
19 julho 2024 O valor previsto de investimento, considerando as 24 propostas, incluindo além das plantas a produção de equipamentos, é de R$ 2,7 bilhões, o que repr...