Predictive Degradation Modelling of Solar Encapsulants: A Deep Learning Approach to IEC 61215 Thermal Cycling
本研究引入了一种利用长短期记忆网络（LSTM）和随机森林模型在物理启发式合成数据集上构建的高精度深度学习框架，用于预测云母纳米粘土增强型EVA封装材料的热循环降解，证明了5 wt.%的填料浓度可优化耐用性，并在无需依赖冗长物理测试的情况下，显著加速了韧性光伏组件的设计。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
太阳能电池板的设计寿命长达数十年，它们屹立不倒，抵御着阳光、雨水和寒风。然而，太阳能电池板最脆弱的部分并非发电用的玻璃或硅电池片，而是夹在它们之间的透明塑料层。这一层被称为封装材料，它充当了整个系统的保护皮肤。它的职责是将所有部件固定在一起，并保护脆弱的电子元件免受环境影响。用于此目的最常见的材料是一种被称为乙烯-乙酸乙烯酯的塑料。虽然它最初表现得坚固且具有柔韧性，但多年来在阳光下升温与夜晚降温的日常循环暴露下，会导致其发生疲劳。随着时间的推移，这种反复的拉伸和收缩会在塑料内部产生微小的裂纹，最终导致失效并造成发电能力的丧失。
对于工程师而言，弄清楚这种破坏究竟何时会发生，传统上是一个缓慢且昂贵的过程。为了测试耐用性，他们必须让电池板经历极端温度变化的考验，在大型烤箱中将其从极寒循环到极热，循环数百次。这个过程通过短短几个月的时间模拟了数年的天气变化，需要损毁数百个物理样本才能收集到足够的数据。这是一种消耗大量时间和资源的方法，且往往无法捕捉到材料实际退化的那种复杂的非线性方式。研究人员现在正在寻找一种更快速的方法，在无需等待物理测试完成的情况下预测这些失效。
在最近的一项研究中，夸拉州理工学院（Kwara State Polytechnic）的一位研究人员提出了一种新方法，用一种复杂的计算机模型取代了数月的物理测试。该团队并没有制造并破坏真实的电池板，而是创建了一个庞大且高度详细的数字数据集，以模拟不同类型的塑料在 1,5 กล 500 次热循环中的表现。他们专注于对标准塑料进行的一项特定改进：在混合物中加入少量的云母（一种天然矿物）。该研究测试了四种不同版本的材料，范围从纯塑料到添加了高达 5% 重量比云母的强化塑料。其目标是观察这些数字模拟是否能准确预测材料如何随时间推移而失去强度并产生裂纹。
为了做出这些预测，研究人员采用了两种强大的人工智能。一种是旨在寻找数据模式的机器学习系统，类似于人类识别电子表格中的趋势。另一种是能够记忆序列的更先进的系统，使其能够理解损伤如何随时间逐步累积。这些系统被输入了合成数据，其中包括温度循环次数和添加的矿物质含量，并被要求预测塑料的剩余强度。结果非常精确。两种计算机模型都能以几乎匹配模拟中每一个数据点的准确度，来预测材料的退化情况。这些模型证实了物理测试并非仅仅是在猜测，而是捕捉到了材料失效的真实物理过程。
这项数字实验最显著的发现是矿物增强的影响。计算机模型显示，添加特定量的云母（具体为总重量的 5%）起到了对抗退化的强大盾牌作用。在模拟中，这种强化后的塑料比普通版本保持强度的能力要长得多。模型表明，矿物颗粒在塑料内部创造了一条复杂的路径，使得微小的裂纹难以生长并汇集成更大的、具有破坏性的断裂。这种延迟开裂意味着材料可以在达到失效点之前承受显著更多的压力。研究验证了这种特定浓度的矿物质是延长太阳能电池板保护层寿命的“黄金比例”。
这项工作代表了工程师未来设计太阳能电池板方式的一种转变。通过使用这些计算机模型，研究人员现在可以在虚拟环境中测试新的材料配方，在无需进行破坏性的、长达数月的物理试验的情况下，识别出最耐用的组合。研究表明，这种数据驱动的方法可以加速开发更具抗恶劣天气能力的太阳能电池板。虽然目前的结果是基于模拟的，但它们提供了一个强大的数学基础，使人们相信通过添加适量的矿物增强，可以显著延长太阳能系统的运行寿命，确保它们在未来数十年内持续为电网供电。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。