MAPbI3 perovskit güneş hücreleri için makine öğrenimi yaklaşımı

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, FOTONİK BİLİMİ VE MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: SÜHA GÜL KARA

Danışman: Nihan Akın Sönmez

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu çalışmada, çoklu çıktı regresyonu öğrenimi kullanılarak MAPbI3 (Metilamonyum kurşun iyodür) perovskit güneş hücresinin PCE, Voc, Jsc, FF parametrelerini tahmin edilmesi amacıyla Rastgele Orman (RF), Çok Katmanlı Algılayıcı (MLP) ve Derin Sinir Ağı (DNN) modelleri kullanılmıştır. Modeller eğitim verileri üzerinde eğitilmiş ve doğruluk ve güvenilirliklerini değerlendirmek için üç metrik R² skoru, Ortalama Mutlak Hata (MAE) ve Ortalama Kare Hatanın Kökü (RMSE) kullanılarak test verileri üzerinde değerlendirilmiştir. RF modelini kullanarak test ve eğitim verileri için R2 değeri 0,80-0,54, RMSE değeri 0,05-2,58, MAE değerleri ise 0,03-1,76 aralığında bulunmuştur. MLP modeli için test ve eğitim verilerinin R2 değeri 0,70-0,42, RMSE değeri 0,06-3,18, MAE değerleri ise 0,04-2,09 aralığında bulunmuştur. DNN modelinin test ve eğitim verileri için R2 değeri 0,70-0,36, RMSE değeri 0,06-3,29, MAE değerleri ise 0,04-2,17 aralığında bulunmuştur. Modelin performansı ve önyargılı olup olmadığını ve aşırı uyum gösterip göstermediğini tespit etmek için parite ve kalıntı grafikleri çizilmiştir. Grafiklerde bu uygulanan üç modelin çok yüksek seviyede aşırı uyum ve önyargıya rastlanmamaktadır. RF modelinin test R2 0,75-0,54, RMSE değeri 0,06-2,58, MAE değerleri ise 0,04-1,76 aralığında bulunmuştur. Parite ve kalıntı grafiklerinin incelenmesi sonucunda RF modelinin diğer kullanılan modellere kıyasla daha iyi performans sergilediği gözlemlenmiştir. Özellik önemlerinin elde edilmesi amacıyla SHAP grafikleri çizilmiştir. Çoklu çıktı yaklaşımı öğrenimi, karmaşık bir süreç olan perovskit güneş hücresi (PSC) tasarımı konusunda kolaylıklar sağlayabilir.