Predicting solar cell efficiencies using historical data from a manufacturing process
Notice bibliographique
Résumé
Abstract The solar cell manufacturing data of a passivated emitter and rear cell solar cell manufacturing plant was studied to assess the effects of tool usage and the processing time spent on each tool on the solar cell efficiency. Since manufacturing processes involve several steps with multiple tools, tracing their quality parameters back to the tool usage is difficult—most plants measure parameters at the end of the manufacturing process. We used multilinear regression, partial least squares (PLS), kernel based PLS, random forest, gradient boosted decision trees (GBDTs), and 2D convolutional neural network (CNN) models to study the variation of the cell efficiencies with variations in tools and tool processing times. We evaluated our models' performance using mean squared error (MSE) and the coefficient of determination. The GBDT had the best coefficient of determination, but with a relatively higher MSE for efficiency prediction using batch processing times. Shapley analysis was used to study the effect of the frequency of tool usage on efficiency prediction and identify process steps and tools having maximum impact on efficiency. This work can be used as a basis to selectively utilize tools in the solar cell manufacturing process that will result in better solar cell quality (or reduce material wastage due to poor quality), thereby making solar cells more affordable and hence more readily adoptable. It can also be translated to other industries whose manufacturing processes involve multiple tools/steps.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».